or
Bài tập này là một phần của khóa học
Tìm hiểu cách huấn luyện mạng nơ-ron một cách vững chắc. Trong chương này, bạn sẽ dùng lập trình hướng đối tượng để định nghĩa dataset và mô hình PyTorch, đồng thời ôn lại cách huấn luyện và đánh giá mạng nơ-ron. Bạn cũng sẽ làm quen với các bộ tối ưu (optimizer) khác nhau và cuối cùng nắm được nhiều kỹ thuật giúp giảm thiểu vấn đề gradient không ổn định vốn rất phổ biến khi huấn luyện mạng nơ-ron.
Huấn luyện mạng nơ-ron để giải bài toán phân loại ảnh. Trong chương này, bạn sẽ học cách xử lý dữ liệu ảnh trong PyTorch và nắm vững mạng nơ-ron tích chập (CNN). Bạn sẽ thực hành huấn luyện và đánh giá một bộ phân loại ảnh, đồng thời tìm hiểu cách cải thiện hiệu năng mô hình bằng tăng cường dữ liệu (data augmentation).
Xây dựng và huấn luyện mạng nơ-ron hồi tiếp (RNN) để xử lý dữ liệu tuần tự như chuỗi thời gian, văn bản hoặc âm thanh. Bạn sẽ học về hai kiến trúc hồi tiếp phổ biến nhất, Long Short-Term Memory (LSTM) và Gated Recurrent Unit (GRU), cũng như cách chuẩn bị dữ liệu tuần tự cho việc huấn luyện mô hình. Bạn sẽ thực hành bằng cách huấn luyện và đánh giá một mô hình hồi tiếp để dự đoán mức tiêu thụ điện.
Xây dựng các mô hình đa đầu vào và đa đầu ra, minh họa cách chúng xử lý những tác vụ cần nhiều hơn một đầu vào hoặc tạo ra nhiều đầu ra. Bạn sẽ khám phá cách thiết kế và huấn luyện các mô hình này bằng PyTorch, đồng thời đi sâu vào chủ đề quan trọng là cân trọng số hàm mất mát trong mô hình đa đầu ra. Điều này bao gồm việc hiểu cách cân bằng tầm quan trọng của các tác vụ khác nhau khi huấn luyện một mô hình thực hiện đồng thời nhiều nhiệm vụ.
Bài tập hiện tại