自駕車、智慧型手機、搜尋引擎…… 深度學習如今隨處可見。在開始打造複雜模型之前，你會先熟悉深度學習框架 PyTorch。你將學會如何操作張量、建立 PyTorch 的資料結構，並用線性層在 PyTorch 中打造你的第一個神經網路。

使用 PyTorch 的深度學習入門

開始使用 PyTorch 張量

檢查並相加張量

神經網路與層

線性層網路

理解權重

隱藏層與參數

你的第一個神經網路

堆疊線性層

計算參數數量

PyTorch 簡介：一個深度學習函式庫

在 PyTorch 中訓練神經網路之前，你需要先理解額外的元件，例如啟動函式與損失函式。接著你會發現，訓練網路的目標是最小化該損失函式，而這需要計算梯度。你將學會如何利用這些梯度來更新模型的參數。


認識啟動函式

啟動你的理解！

Sigmoid 與 Softmax 函式

執行前向傳遞

在 PyTorch 建立二元分類器

從迴歸到多類別分類

使用損失函式評估模型預測

建立 one-hot 編碼的標籤

計算交叉熵損失

使用導數來更新模型參數

存取模型參數

手動更新權重

使用 PyTorch 的最佳化器

神經網路架構與超參數

既然你已經學會神經網路的關鍵元件，接下來將使用訓練迴圈來訓練模型。你會探討如梯度消失等潛在問題，並學習對策，例如替代的啟動函式，以及調整學習率與動量。

更深入了解資料載入

使用 TensorDataset

使用 DataLoader

撰寫第一個訓練迴圈

使用 MSELoss

撰寫訓練迴圈

ReLU 啟用函式

實作 ReLU

實作 Leaky ReLU

理解啟動函式

Learning rate 與動量

嘗試不同的學習率

嘗試調整動量（momentum）

使用 PyTorch 訓練神經網路

訓練深度學習模型是一門技藝。為了確保模型訓練正確，我們需要在訓練過程中追蹤特定指標，例如損失或準確率。我們將學習如何計算這些指標，以及如何降低過度擬合。


層初始化與遷移學習

微調流程

凍結模型的部分層

層初始化

評估模型效能

撰寫評估迴圈

使用 torchmetrics 計算 accuracy

對抗過度擬合

嘗試使用 dropout

理解過度擬合

提升模型效能

實作隨機搜尋

結語影片

評估與改進模型

Water Potability

Course Glossary

Face Mask Dataset

深度學習無所不在，從智慧型手機相機到語音助理，再到自駕車皆然。本課程將帶你認識這項強大的技術，並學會如何使用最受歡迎的深度學習函式庫之一 PyTorch 來應用它。完成本課後，你將能運用 PyTorch 以深度學習解決分類與迴歸問題。

影片提供即時逐字稿，你可以按一下影片左下方的「Show transcript」來顯示。

課程詞彙表可在右側的資源區看到。

若要取得 CPE 學分，你需要完成課程，並在合格評量中達到 70% 的成績。你可以點選右側關於 CPE 學分的提示前往該評量。

Supervised Learning with scikit-learn

Introduction to NumPy

Python Toolbox

學習如何在PyTorch中建立神經網絡、調整超參數，並解決分類和回歸問題。

掌握使用 PyTorch 建立神經網路、調整超參數，解決分類與回歸問題。

使用損失函式評估模型預測

Create Your Free Account