Оцінювання багатовихідних моделей та зважування функцій втрат

Create Your Free Account

By continuing, you accept our Terms of Use, our Privacy Policy and that your data is stored in the USA.

Ця вправа є частиною курсу

Середній рівень Deep Learning з PyTorch

SkillTag.level.intermediateSkillTag.label

4.8+

Дізнайтеся, як навчати нейронні мережі надійно. У цьому розділі ви використаєте об'єктно-орієнтоване програмування, щоб визначати набори даних і моделі в PyTorch, та освіжите знання про тренування й оцінювання нейронних мереж. Ви також ознайомитеся з різними оптимізаторами й, нарешті, опanuєте техніки, що допомагають зменшити проблеми нестабільних градієнтів, які так поширені під час навчання нейромереж.

Exercise 1: PyTorch і об'єктно-орієнтоване програмування Exercise 2: Набір даних PyTorch Exercise 3: PyTorch DataLoader Exercise 4: Модель PyTorch Exercise 5: Оптимізатори, навчання та оцінювання Exercise 6: Цикл навчання Exercise 7: Оптимізатори Exercise 8: Оцінювання моделі Exercise 9: Зникні та вибухові градієнти Exercise 10: Ініціалізація та активації Exercise 11: Активації: ReLU vs. ELU Exercise 12: Пакетна нормалізація (Batch Normalization)

Навчайте нейронні мережі розв'язувати задачі класифікації зображень. У цьому розділі ви дізнаєтеся, як працювати з даними-зображеннями в PyTorch та опanuєте згорткові нейронні мережі (CNN). Ви потренуєтеся навчати й оцінювати класифікатор зображень і дізнаєтеся, як покращити якість моделі за допомогою аугментації даних.

Exercise 1: Робота з зображеннями в PyTorch Exercise 2: Набір зображень Exercise 3: Аугментація даних Exercise 4: Аугментація даних у PyTorch Exercise 5: Convolutional Neural Networks (CNNs)Exercise 6: Згортковий шар Exercise 7: Побудова згорткових мереж Exercise 8: Навчання класифікаторів зображень Exercise 9: Вибір аугментацій Exercise 10: Набір даних із аугментаціями Exercise 11: Цикл навчання класифікатора зображень Exercise 12: Оцінювання класифікаторів зображень Exercise 13: Оцінювання багатокласової моделі Exercise 14: Аналіз метрик для кожного класу

Створюйте та навчайте рекурентні нейронні мережі (RNN) для оброблення послідовних даних, зокрема часових рядів, тексту чи аудіо. Ви ознайомитеся з двома найпопулярнішими рекурентними архітектурами — Long Short-Term Memory (LSTM) і Gated Recurrent Unit (GRU) — а також з тим, як готувати послідовні дані до навчання моделі. Ви закріпите навички, навчаючи й оцінюючи рекурентну модель для прогнозування споживання електроенергії.

Exercise 1: Робота з послідовностями в PyTorch Exercise 2: Генерування послідовностей Exercise 3: Послідовні дані (Sequential Dataset)Exercise 4: Recurrent Neural Networks Exercise 5: Послідовні архітектури Exercise 6: Створення прогностичної RNN Exercise 7: Комірки LSTM і GRU Exercise 8: RNN vs. LSTM vs. GRU Exercise 9: Мережа LSTM Exercise 10: Мережа GRU Exercise 11: Тренування та оцінювання RNN Exercise 12: Цикл тренування RNN Exercise 13: Оцінювання моделей прогнозування

Створюйте моделі з кількома входами та кількома виходами, щоб показати, як вони розв'язують задачі з кількома вхідними даними або з генеруванням кількох виходів. Ви вивчите, як проєктувати й навчати такі моделі в PyTorch, і зануритеся в ключову тему зважування функцій втрат у багатовихідних моделях. Це передбачає розуміння того, як збалансовувати важливість різних завдань, коли модель навчається виконувати кілька завдань одночасно.

Exercise 1: Багатовхідні моделі Exercise 2: Набір даних з двома входами Exercise 3: Модель із двома входами Exercise 4: Навчання моделі з двома входами Exercise 5: Багатовихідні моделі Exercise 6: Набір даних і DataLoader з двома виходами Exercise 7: Архітектура моделі з двома виходами Exercise 8: Навчання моделей із кількома виходами Exercise 9: Оцінювання багатовихідних моделей та зважування функцій втрат

Поточна вправа

Exercise 10: Оцінювання багатовихідної моделі Exercise 11: Зважування функцій втрат Exercise 12: Підсумок