آموزش Pytorch برای یادگیری عمیق Bootcamp - آخرین آپدیت

سرفصل ها و درس ها

مقدمه Introduction

• pytorch برای یادگیری عمیق PyTorch for Deep Learning

• دوره خوش آمدید و آنچه یادگیری عمیق است Course Welcome and What Is Deep Learning

• به کلاس آنلاین ما بپیوندید! Join Our Online Classroom!

• ورزش: با همکلاسی های خود + با مربی ملاقات کنید Exercise: Meet Your Classmates + Instructor

• کتاب دوره رایگان + منابع کد + پرسیدن سوالات + کمک گرفتن Free Course Book + Code Resources + Asking Questions + Getting Help

• منابع ZTM ZTM Resources

• یادگیری ماشین + خبرنامه ماهانه پایتون Machine Learning + Python Monthly Newsletters

اصول اولیه PyTorch Fundamentals

• چرا از یادگیری ماشین یا یادگیری عمیق استفاده کنید Why Use Machine Learning or Deep Learning

• شماره 1 قانون یادگیری ماشین و یادگیری عمیق برای The Number 1 Rule of Machine Learning and What Is Deep Learning Good For

• یادگیری ماشین در مقابل یادگیری عمیق Machine Learning vs. Deep Learning

• آناتومی شبکه های عصبی Anatomy of Neural Networks

• انواع مختلف الگوی یادگیری Different Types of Learning Paradigms

• چه چیزی می تواند از یادگیری عمیق استفاده شود What Can Deep Learning Be Used For

• چه چیزی است و چرا Pytorch What Is and Why PyTorch

• تانسور چیست What Are Tensors

• آنچه ما می خواهیم با Pytorch بپوشانیم What We Are Going To Cover With PyTorch

• چگونه و چگونه به این دوره نزدیک نشویم How To and How Not To Approach This Course

• منابع مهم این دوره Important Resources For This Course

• دریافت تنظیم برای نوشتن کد Pytorch Getting Setup to Write PyTorch Code

• آشنایی با تانسور Pytorch Introduction to PyTorch Tensors

• ایجاد تانسور تصادفی در Pytorch Creating Random Tensors in PyTorch

• ایجاد تانسور با صفرها و آنهایی که در پیرتر وجود دارند Creating Tensors With Zeros and Ones in PyTorch

• ایجاد دامنه تانسور و تنش مانند سایر تنش ها Creating a Tensor Range and Tensors Like Other Tensors

• برخورد با انواع داده های تانسور Dealing With Tensor Data Types

• گرفتن ویژگی های تنسور Getting Tensor Attributes

• دستکاری تانسور (عملیات تانسور) Manipulating Tensors (Tensor Operations)

• ضرب ماتریس (قسمت 1) Matrix Multiplication (Part 1)

• ضرب ماتریس (قسمت 2): دو قانون اصلی ضرب ماتریس Matrix Multiplication (Part 2): The Two Main Rules of Matrix Multiplication

• ضرب ماتریس (قسمت 3): برخورد با خطاهای شکل تانسور Matrix Multiplication (Part 3): Dealing With Tensor Shape Errors

• پیدا کردن میانگین مکس میانگین و مجموع تانسور (تجمع تانسور) Finding the Min Max Mean and Sum of Tensors (Tensor Aggregation)

• پیدا کردن حداقل و حداکثر تانسور Finding The Positional Min and Max of Tensors

• تغییر شکل ، مشاهده و انباشت تنش Reshaping, Viewing and Stacking Tensors

• تنش های فشرده ، ناپسند و مجاز Squeezing, Unsqueezing and Permuting Tensors

• انتخاب داده ها از تانسور (نمایه سازی) Selecting Data From Tensors (Indexing)

• تانسور پیتورچ و نومپی PyTorch Tensors and NumPy

• قابلیت تکرارپذیری Pytorch (گرفتن تصادفی از تصادفی) PyTorch Reproducibility (Taking the Random Out of Random)

• روشهای مختلف دسترسی به پردازنده گرافیکی در Pytorch Different Ways of Accessing a GPU in PyTorch

• تنظیم کد دستگاه-آگنوستیک و قرار دادن تنش ها روی GPU Setting up Device-Agnostic Code and Putting Tensors On and Off the GPU

• اصول پیتورچ: تمرینات و برنامه های درسی خارج PyTorch Fundamentals: Exercises and Extra-Curriculum

گردش کار Pytorch PyTorch Workflow

• مقدمه و جایی که می توانید کمک بگیرید Introduction and Where You Can Get Help

• راه اندازی و آنچه را که ما پوشش می دهیم Getting Setup and What We Are Covering

• ایجاد یک مجموعه داده ساده با استفاده از فرمول رگرسیون خطی Creating a Simple Dataset Using the Linear Regression Formula

• تقسیم داده های ما به مجموعه های آموزش و آزمایش Splitting Our Data Into Training and Test Sets

• ساخت تابعی برای تجسم داده های ما Building a function to Visualize Our Data

• ایجاد اولین مدل Pytorch ما برای رگرسیون خطی Creating Our First PyTorch Model for Linear Regression

• شکستن آنچه در مدل رگرسیون خطی Pytorch اتفاق می افتد Breaking Down What's Happening in Our PyTorch Linear regression Model

• بحث در مورد برخی از مهمترین کلاس های ساخت مدل Pytorch Discussing Some of the Most Important PyTorch Model Building Classes

• بررسی داخلی مدل Pytorch ما Checking Out the Internals of Our PyTorch Model

• پیش بینی با مدل تصادفی ما با استفاده از حالت استنتاج Making Predictions With Our Random Model Using Inference Mode

• آموزش یک شهود مدل (چیزهایی که ما نیاز داریم) Training a Model Intuition (The Things We Need)

• تنظیم یک بهینه ساز و یک عملکرد از دست دادن Setting Up an Optimizer and a Loss Function

• مراحل حلقه آموزش Pytorch و شهود PyTorch Training Loop Steps and Intuition

• نوشتن کد برای یک حلقه آموزش Pytorch Writing Code for a PyTorch Training Loop

• مرور مراحل در یک حلقه آموزشی گام به گام Reviewing the Steps in a Training Loop Step by Step

• اجرای دوره حلقه تمرینی ما توسط Epoch و دیدن آنچه اتفاق می افتد Running Our Training Loop Epoch by Epoch and Seeing What Happens

• نوشتن کد حلقه آزمایش و بحث در مورد آنچه اتفاق می افتد گام به گام Writing Testing Loop Code and Discussing What's Happening Step by Step

• بررسی آنچه در یک حلقه آزمایشی اتفاق می افتد گام به گام Reviewing What Happens in a Testing Loop Step by Step

• نوشتن کد برای ذخیره یک مدل Pytorch Writing Code to Save a PyTorch Model

• نوشتن کد برای بارگیری یک مدل Pytorch Writing Code to Load a PyTorch Model

• تنظیم همه کارهایی که ما با استفاده از کد آگنوستیک دستگاه انجام داده ایم Setting Up to Practice Everything We Have Done Using Device Agnostic code

• قرار دادن همه چیز در کنار هم (قسمت 1): داده ها Putting Everything Together (Part 1): Data

• کنار هم قرار دادن همه چیز (قسمت 2): ساختن یک مدل Putting Everything Together (Part 2): Building a Model

• جمع کردن همه چیز (قسمت 3): آموزش یک مدل Putting Everything Together (Part 3): Training a Model

• قرار دادن همه چیز (قسمت 4): پیش بینی با یک مدل آموزش دیده Putting Everything Together (Part 4): Making Predictions With a Trained Model

• قرار دادن همه چیز (قسمت 5): صرفه جویی و بارگیری یک مدل آموزش دیده Putting Everything Together (Part 5): Saving and Loading a Trained Model

• ورزش: سندرم ایمپوستر Exercise: Imposter Syndrome

• گردش کار Pytorch: تمرینات و برنامه های درسی خارج PyTorch Workflow: Exercises and Extra-Curriculum

طبقه بندی شبکه عصبی Pytorch PyTorch Neural Network Classification

• آشنایی با طبقه بندی یادگیری ماشین با Pytorch Introduction to Machine Learning Classification With PyTorch

• مثال مشکل طبقه بندی: اشکال ورودی و خروجی Classification Problem Example: Input and Output Shapes

• معماری معمولی یک شبکه عصبی طبقه بندی (نمای کلی) Typical Architecture of a Classification Neural Network (Overview)

• تهیه مجموعه داده طبقه بندی اسباب بازی Making a Toy Classification Dataset

• تبدیل داده های ما به تانسور و ایجاد یک آموزش و تست تقسیم Turning Our Data into Tensors and Making a Training and Test Split

• ارائه مراحل برای مدل سازی و تنظیم کد دستگاه-آگنوستیک Laying Out Steps for Modelling and Setting Up Device-Agnostic Code

• کدگذاری یک شبکه عصبی کوچک برای رسیدگی به داده های طبقه بندی ما Coding a Small Neural Network to Handle Our Classification Data

• ایجاد بصری شبکه عصبی ما Making Our Neural Network Visual

• بازآفرینی و کاوش در مورد مدل ما با استفاده از nn. postential Recreating and Exploring the Insides of Our Model Using nn.Sequential

• عملکرد بهینه ساز و عملکرد ارزیابی برای شبکه طبقه بندی ما Loss Function Optimizer and Evaluation Function for Our Classification Network

• رفتن از ورود به سیستم به احتمال پیش بینی به برچسب های پیش بینی Going from Model Logits to Prediction Probabilities to Prediction Labels

• کدگذاری یک حلقه بهینه سازی آموزش و آزمایش برای مدل طبقه بندی ما Coding a Training and Testing Optimization Loop for Our Classification Model

• نوشتن کد برای بارگیری یک عملکرد یاور برای تجسم پیش بینی های مدل های ما Writing Code to Download a Helper Function to Visualize Our Models Predictions

• بحث در مورد گزینه ها برای بهبود یک مدل Discussing Options to Improve a Model

• ایجاد یک مدل جدید با لایه های بیشتر و واحدهای پنهان Creating a New Model with More Layers and Hidden Units

• نوشتن کد آموزش و آزمایش برای دیدن اینکه آیا مدل به روز شده ما بهتر عمل می کند Writing Training and Testing Code to See if Our Upgraded Model Performs Better

• ایجاد یک مجموعه داده خط مستقیم برای دیدن اینکه آیا مدل ما در حال یادگیری هر چیزی است Creating a Straight Line Dataset to See if Our Model is Learning Anything

• ساختمان و آموزش یک مدل برای متناسب با داده های خط مستقیم Building and Training a Model to Fit on Straight Line Data

• ارزیابی پیش بینی های مدل های ما در داده های خط مستقیم Evaluating Our Models Predictions on Straight Line Data

• معرفی قطعه گمشده برای مدل طبقه بندی ما غیر خطی Introducing the Missing Piece for Our Classification Model Non-Linearity

• ساختن اولین شبکه عصبی ما با غیر خطی Building Our First Neural Network with Non-Linearity

• نوشتن کد آموزش و آزمایش برای اولین مدل غیرخطی ما Writing Training and Testing Code for Our First Non-Linear Model

• پیش بینی با و ارزیابی اولین مدل غیرخطی ما Making Predictions with and Evaluating Our First Non-Linear Model

• تکرار توابع فعال سازی غیر خطی با pytorch خالص Replicating Non-Linear Activation Functions with Pure PyTorch

• قرار دادن همه اینها (قسمت 1): ساختن یک مجموعه داده چند طبقه Putting It All Together (Part 1): Building a Multiclass Dataset

• ایجاد یک مدل طبقه بندی چند طبقه با Pytorch Creating a Multi-Class Classification Model with PyTorch

• تنظیم یک عملکرد از دست دادن و بهینه ساز برای مدل چند طبقه ما Setting Up a Loss Function and Optimizer for Our Multi-Class Model

• ورود به احتمالات پیش بینی به برچسب های پیش بینی با یک مدل چند طبقه Logits to Prediction Probabilities to Prediction Labels with a Multi-Class Model

• آموزش یک مدل طبقه بندی چند طبقه و کد عیب یابی در پرواز Training a Multi-Class Classification Model and Troubleshooting Code on the Fly

• پیش بینی با و ارزیابی مدل طبقه بندی چند طبقه ما Making Predictions with and Evaluating Our Multi-Class Classification Model

• بحث در مورد چند معیار طبقه بندی دیگر Discussing a Few More Classification Metrics

• طبقه بندی Pytorch: تمرینات و برنامه های درسی خارج PyTorch Classification: Exercises and Extra-Curriculum

چشم انداز رایانه Pytorch PyTorch Computer Vision

• مشکل بینایی رایانه چیست و چه چیزی را می خواهیم پوشش دهیم What Is a Computer Vision Problem and What We Are Going to Cover

• شکل ورودی و خروجی چشم انداز رایانه Computer Vision Input and Output Shapes

• شبکه عصبی حلقوی چیست (CNN) What Is a Convolutional Neural Network (CNN)

• بحث و وارد کردن کتابخانه های بینایی رایانه ای در Pytorch Discussing and Importing the Base Computer Vision Libraries in PyTorch

• گرفتن مجموعه داده چشم انداز رایانه و بررسی اشکال ورودی و خروجی آن Getting a Computer Vision Dataset and Checking Out Its- Input and Output Shapes

• تجسم نمونه های تصادفی از داده ها Visualizing Random Samples of Data

• نمای کلی Dataloader درک مینی دسته ها DataLoader Overview Understanding Mini-Batches

• تبدیل مجموعه داده های ما به Dataloaders Turning Our Datasets Into DataLoaders

• مدل 0: ایجاد یک مدل پایه با دو لایه خطی Model 0: Creating a Baseline Model with Two Linear Layers

• ایجاد یک تابع از دست دادن: بهینه ساز برای مدل 0 Creating a Loss Function: an Optimizer for Model 0

• ایجاد تابعی به زمان کد مدل سازی ما Creating a Function to Time Our Modelling Code

• نوشتن حلقه های آموزش و آزمایش برای داده های جمع شده ما Writing Training and Testing Loops for Our Batched Data

• نوشتن یک تابع ارزیابی برای به دست آوردن نتایج مدل های ما Writing an Evaluation Function to Get Our Models Results

• تنظیم کد دستگاه آگنوستیک برای اجرای آزمایشات در GPU Setup Device-Agnostic Code for Running Experiments on the GPU

• مدل 1: ایجاد یک مدل با توابع غیرخطی Model 1: Creating a Model with Non-Linear Functions

• حالت 1: ایجاد یک عملکرد از دست دادن و بهینه ساز Mode 1: Creating a Loss Function and Optimizer

• حلقه آموزش ما را به یک عملکرد تبدیل کنید Turing Our Training Loop into a Function

• حلقه آزمایش ما را به یک تابع تبدیل کنید Turing Our Testing Loop into a Function

• آموزش و آزمایش مدل 1 با کارکردهای آموزش و آزمایش ما Training and Testing Model 1 with Our Training and Testing Functions

• دریافت یک فرهنگ لغت نتیجه برای مدل 1 Getting a Results Dictionary for Model 1

• مدل 2: شبکه های عصبی حلقوی سطح بالا Model 2: Convolutional Neural Networks High Level Overview

• مدل 2: کدگذاری اولین شبکه عصبی حلقوی ما با Pytorch Model 2: Coding Our First Convolutional Neural Network with PyTorch

• مدل 2: شکستن CONV2D گام به گام Model 2: Breaking Down Conv2D Step by Step

• مدل 2: شکستن Maxpool2d گام به گام Model 2: Breaking Down MaxPool2D Step by Step

• حالت 2: با استفاده از یک ترفند برای یافتن اشکال ورودی و خروجی هر یک از لایه های ما Mode 2: Using a Trick to Find the Input and Output Shapes of Each of Our Layers

• مدل 2: تنظیم عملکرد از دست دادن و بهینه ساز Model 2: Setting Up a Loss Function and Optimizer

• مدل 2: آموزش اولین CNN ما و ارزیابی نتایج آن Model 2: Training Our First CNN and Evaluating Its Results

• مقایسه نتایج آزمایش های مدل سازی ما Comparing the Results of Our Modelling Experiments

• پیش بینی در نمونه های آزمایش تصادفی با بهترین مدل آموزش دیده Making Predictions on Random Test Samples with the Best Trained Model

• ترسیم بهترین پیش بینی های مدل ما در نمونه های آزمایش تصادفی و ارزیابی آنها Plotting Our Best Model Predictions on Random Test Samples and Evaluating Them

• پیش بینی و وارد کردن کتابخانه ها برای ترسیم یک ماتریس سردرگمی Making Predictions and Importing Libraries to Plot a Confusion Matrix

• ارزیابی بهترین مدل های مدل ما با یک ماتریس سردرگمی Evaluating Our Best Models Predictions with a Confusion Matrix

• صرفه جویی و بارگیری بهترین مدل عملکرد ما Saving and Loading Our Best Performing Model

• بازخوانی آنچه را که ما پوشش داده ایم به علاوه تمرینات و برنامه های درسی خارج از برنامه Recapping What We Have Covered Plus Exercises and Extra-Curriculum

مجموعه داده های سفارشی Pytorch PyTorch Custom Datasets

• مجموعه داده های سفارشی چیست و چه چیزی را می خواهیم پوشش دهیم What Is a Custom Dataset and What We Are Going to Cover

• وارد کردن Pytorch و تنظیم کد آگنوستیک دستگاه Importing PyTorch and Setting Up Device Agnostic Code

• بارگیری یک مجموعه داده سفارشی از تصاویر پیتزا ، استیک و سوشی Downloading a Custom Dataset of Pizza, Steak and Sushi Images

• تبدیل شدن به یکی از داده ها (قسمت 1): کاوش در قالب داده Becoming One With the Data (Part 1): Exploring the Data Format

• تبدیل شدن به یکی از داده ها (قسمت 2): تجسم یک تصویر تصادفی Becoming One With the Data (Part 2): Visualizing a Random Image

• تبدیل شدن به یکی از داده ها (قسمت 3): تجسم یک تصویر تصادفی با matplotlib Becoming One With the Data (Part 3): Visualizing a Random Image with Matplotlib

• تبدیل داده ها (قسمت 1): تبدیل تصاویر به تنش Transforming Data (Part 1): Turning Images Into Tensors

• تبدیل داده ها (قسمت 2): تجسم تصاویر تبدیل شده Transforming Data (Part 2): Visualizing Transformed Images

• بارگیری همه تصاویر ما و تبدیل آنها به تنش با تصویر ساز Loading All of Our Images and Turning Them Into Tensors With ImageFolder

• تجسم یک تصویر بارگذاری شده از مجموعه داده قطار Visualizing a Loaded Image From the Train Dataset

• تبدیل مجموعه داده های تصویر ما به Dataloaders Pytorch Turning Our Image Datasets into PyTorch Dataloaders

• ایجاد یک کلاس مجموعه داده های سفارشی در نمای کلی سطح بالا Pytorch Creating a Custom Dataset Class in PyTorch High Level Overview

• ایجاد یک عملکرد یاور برای گرفتن نام کلاس از یک فهرست Creating a Helper Function to Get Class Names From a Directory

• نوشتن کلاس مجموعه داده های سفارشی Pytorch از ابتدا برای بارگیری تصاویر ما Writing a PyTorch Custom Dataset Class from Scratch to Load Our Images

• کلاس مجموعه داده های سفارشی ما را مقایسه کنید. به کلاس اصلی ImageFolder Compare Our Custom Dataset Class. to the Original Imagefolder Class

• نوشتن یک تابع یاور برای تجسم تصاویر تصادفی از مجموعه داده های سفارشی ما Writing a Helper Function to Visualize Random Images from Our Custom Dataset

• تبدیل مجموعه داده های سفارشی ما به dataloaders Turning Our Custom Datasets Into DataLoaders

• کاوش در مورد افزایش داده های هنر با تحول مشعل Exploring State of the Art Data Augmentation With Torchvision Transforms

• ساختن یک مدل پایه (قسمت 1): بارگیری و تبدیل داده ها Building a Baseline Model (Part 1): Loading and Transforming Data

• ساخت یک مدل پایه (قسمت 2): تکرار VGG کوچک از ابتدا Building a Baseline Model (Part 2): Replicating Tiny VGG from Scratch

• ساختن یک مدل پایه (قسمت 3): انجام یک پاس رو به جلو برای آزمایش شکل های مدل ما Building a Baseline Model (Part 3):Doing a Forward Pass to Test Our Model Shapes

• با استفاده از بسته Torchinfo برای دریافت خلاصه ای از مدل ما Using the Torchinfo Package to Get a Summary of Our Model

• ایجاد توابع حلقه آموزش و آزمایش Creating Training and Testing loop Functions

• ایجاد عملکرد قطار برای آموزش و ارزیابی مدل های ما Creating a Train Function to Train and Evaluate Our Models

• آموزش و ارزیابی مدل 0 با کارکردهای آموزش ما Training and Evaluating Model 0 With Our Training Functions

• ترسیم منحنی های از دست دادن مدل 0 Plotting the Loss Curves of Model 0

• تعادل بین بیش از حد و زیربنایی و نحوه برخورد با هر یک The Balance Between Overfitting and Underfitting and How to Deal With Each

• ایجاد مجموعه داده های آموزشی تقویت شده و Dataloaders برای مدل 1 Creating Augmented Training Datasets and DataLoaders for Model 1

• ساخت و آموزش مدل 1 Constructing and Training Model 1

• ترسیم منحنی های از دست دادن مدل 1 Plotting the Loss Curves of Model 1

• ترسیم منحنی های ضرر همه مدل های ما در برابر یکدیگر Plotting the Loss Curves of All of Our Models Against Each Other

• پیش بینی در مورد داده های سفارشی (قسمت 1): بارگیری یک تصویر Predicting on Custom Data (Part 1): Downloading an Image

• پیش بینی در مورد داده های سفارشی (قسمت 2): بارگیری در یک تصویر سفارشی با Pytorch Predicting on Custom Data (Part 2): Loading In a Custom Image With PyTorch

• پیش بینی داده های سفارشی (PART3): دریافت تصویر سفارشی ما به قالب مناسب Predicting on Custom Data (Part3):Getting Our Custom Image Into the Right Format

• پیش بینی داده های سفارشی (PART4): تبدیل مدلهای ما خروجی های خام به پیش بینی Predicting on Custom Data (Part4):Turning Our Models Raw Outputs Into Prediction

• پیش بینی در مورد داده های سفارشی (قسمت 5): جمع کردن همه آن Predicting on Custom Data (Part 5): Putting It All Together

• خلاصه آنچه ما به علاوه تمرینات و برنامه های درسی خارج از برنامه را پوشش داده ایم Summary of What We Have Covered Plus Exercises and Extra-Curriculum

Pytorch در حال ماژولار است PyTorch Going Modular

• آنچه ماژولار می رود و چه چیزی را می خواهیم پوشش دهیم What Is Going Modular and What We Are Going to Cover

• رفتن به نوت بوک مدولار (قسمت 1): اجرای آن به پایان می رسد Going Modular Notebook (Part 1): Running It End to End

• بارگیری یک مجموعه داده Downloading a Dataset

• نوشتن طرح کلی برای اولین اسکریپت پایتون ما برای تنظیم داده ها Writing the Outline for Our First Python Script to Setup the Data

• ایجاد یک اسکریپت پایتون برای ایجاد Dataloaders Pytorch ما Creating a Python Script to Create Our PyTorch DataLoaders

• تبدیل کد ساختمان مدل ما به یک اسکریپت پایتون Turning Our Model Building Code into a Python Script

• تبدیل کد آموزش مدل ما به یک اسکریپت پایتون Turning Our Model Training Code into a Python Script

• تبدیل عملکرد ابزار ما برای ذخیره یک مدل در یک اسکریپت پایتون Turning Our Utility Function to Save a Model into a Python Script

• ایجاد یک اسکریپت آموزشی برای آموزش مدل ما در یک خط کد Creating a Training Script to Train Our Model in One Line of Code

• رفتن ماژولار: خلاصه ، تمرینات و برنامه درسی خارج Going Modular: Summary, Exercises and Extra-Curriculum

یادگیری انتقال Pytorch PyTorch Transfer Learning

• مقدمه: یادگیری انتقال چیست و چرا از آن استفاده می کنید Introduction: What is Transfer Learning and Why Use It

• از کجا می توانید مدل های پیش ساخته و آنچه را که می خواهیم پوشش دهیم پیدا کنید Where Can You Find Pretrained Models and What We Are Going to Cover

• نصب آخرین نسخه های مشعل و مشعل Installing the Latest Versions of Torch and Torchvision

• بارگیری کد قبلاً نوشته شده ما از Going Modular Downloading Our Previously Written Code from Going Modular

• بارگیری پیتزا ، استیک ، داده های تصویر سوشی از GitHub Downloading Pizza, Steak, Sushi Image Data from Github

• تبدیل داده های ما به Dataloaders با تبدیل دستی ایجاد شده Turning Our Data into DataLoaders with Manually Created Transforms

• تبدیل داده های ما به Dataloaders با تبدیل خودکار ایجاد شده Turning Our Data into DataLoaders with Automatic Created Transforms

• از کدام مدل پیش ساخته باید استفاده کنید Which Pretrained Model Should You Use

• راه اندازی یک مدل پیش ساخته با مشعل Setting Up a Pretrained Model with Torchvision

• انواع مختلف یادگیری انتقال Different Kinds of Transfer Learning

• دریافت خلاصه ای از لایه های مختلف مدل ما Getting a Summary of the Different Layers of Our Model

• یخ زدن لایه های پایه مدل ما و به روزرسانی سر طبقه بندی کننده Freezing the Base Layers of Our Model and Updating the Classifier Head

• آموزش اولین مدل استخراج کننده ویژگی یادگیری ما Training Our First Transfer Learning Feature Extractor Model

• ترسیم منحنی های ضرر مدل یادگیری انتقال ما Plotting the Loss curves of Our Transfer Learning Model

• تشریح مراحل پیش بینی در تصاویر آزمون Outlining the Steps to Make Predictions on the Test Images

• ایجاد یک تابع پیش بینی و ترسیم تصاویر Creating a Function Predict On and Plot Images

• ساخت و ترسیم پیش بینی در تصاویر آزمون Making and Plotting Predictions on Test Images

• پیش بینی در مورد یک تصویر سفارشی Making a Prediction on a Custom Image

• غذای اصلی ، تمرینات و برنامه های درسی Main Takeaways, Exercises and Extra- Curriculum

ردیابی آزمایش Pytorch PyTorch Experiment Tracking

• ردیابی آزمایش چیست و چرا آزمایشات را ردیابی کنید What Is Experiment Tracking and Why Track Experiments

• راه اندازی با وارد کردن کتابخانه های مشعل و رفتن به کد مدولار Getting Setup by Importing Torch Libraries and Going Modular Code

• ایجاد تابعی برای بارگیری داده ها Creating a Function to Download Data

• تبدیل داده های ما به Dataloaders با استفاده از Transforms Manual Turning Our Data into DataLoaders Using Manual Transforms

• تبدیل داده های ما به Dataloaders با استفاده از Transforms Automatic Turning Our Data into DataLoaders Using Automatic Transforms

• تهیه یک مدل پیش ساخته برای مشکل خودمان Preparing a Pretrained Model for Our Own Problem

• راه اندازی راهی برای ردیابی یک آزمایش مدل واحد با Tensorboard Setting Up a Way to Track a Single Model Experiment with TensorBoard

• آموزش یک مدل واحد و صرفه جویی در نتایج به Tensorboard Training a Single Model and Saving the Results to TensorBoard

• بررسی نتایج مدل های منفرد ما با Tensorboard Exploring Our Single Models Results with TensorBoard

• ایجاد تابعی برای ایجاد نمونه های خلاصه نویس Creating a Function to Create SummaryWriter Instances

• تطبیق عملکرد قطار ما برای اینکه بتوانیم چندین آزمایش را ردیابی کنیم Adapting Our Train Function to Be Able to Track Multiple Experiments

• چه آزمایشاتی را باید امتحان کنید What Experiments Should You Try

• بحث در مورد آزمایشاتی که می خواهیم امتحان کنیم Discussing the Experiments We Are Going to Try

• بارگیری مجموعه داده ها برای آزمایش های مدل سازی ما Downloading Datasets for Our Modelling Experiments

• تبدیل مجموعه داده های ما به Dataloaders آماده آزمایش Turning Our Datasets into DataLoaders Ready for Experimentation

• ایجاد توابع برای تهیه مدل های استخراج کننده ویژگی ما Creating Functions to Prepare Our Feature Extractor Models

• کدگذاری مراحل اجرای یک سری آزمایش های مدل سازی Coding Out the Steps to Run a Series of Modelling Experiments

• اجرای هشت آزمایش مدل سازی مختلف در 5 دقیقه Running Eight Different Modelling Experiments in 5 Minutes

• مشاهده آزمایش های مدل سازی ما در تانسور بورد Viewing Our Modelling Experiments in TensorBoard

• بارگیری بهترین مدل و پیش بینی در تصاویر تصادفی از مجموعه آزمون Loading the Best Model and Making Predictions on Random Images from the Test Set

• پیش بینی در مورد تصویر سفارشی خودمان با بهترین مدل Making a Prediction on Our Own Custom Image with the Best Model

• غذای اصلی ، تمرینات و برنامه های درسی Main Takeaways, Exercises and Extra- Curriculum

کاغذ Pytorch تکرار PyTorch Paper Replicating

• مقاله تحقیقاتی یادگیری ماشین چیست؟ What Is a Machine Learning Research Paper?

• چرا یک مقاله تحقیقاتی یادگیری ماشین را تکرار می کنیم؟ Why Replicate a Machine Learning Research Paper?

• از کجا می توانید مقالات و کد های تحقیقاتی یادگیری ماشین را پیدا کنید؟ Where Can You Find Machine Learning Research Papers and Code?

• آنچه ما می خواهیم پوشش دهیم What We Are Going to Cover

• دریافت تنظیم برای برنامه نویسی در Google Colab Getting Setup for Coding in Google Colab

• بارگیری داده ها برای Food Vision Mini Downloading Data for Food Vision Mini

• تبدیل تصاویر مینی چشم انداز غذایی ما به دیتالادرهای Pytorch Turning Our Food Vision Mini Images into PyTorch DataLoaders

• تجسم یک تصویر واحد Visualizing a Single Image

• تکرار یک ترانسفورماتور بینایی - نمای کلی سطح بالا Replicating a Vision Transformer - High Level Overview

• شکستن شکل 1 کاغذ VIT Breaking Down Figure 1 of the ViT Paper

• شکستن چهار معادله و یک ترفند برای خواندن مقالات Breaking Down the Four Equations Overview and a Trick for Reading Papers

• شکستن معادله 1 Breaking Down Equation 1

• تجزیه معادله 2 و 3 Breaking Down Equation 2 and 3

• تجزیه معادله 4 Breaking Down Equation 4

• تجزیه جدول 1 Breaking Down Table 1

• محاسبه شکل ورودی و خروجی لایه تعبیه شده با دست Calculating the Input and Output Shape of the Embedding Layer by Hand

• تبدیل یک تصویر واحد به تکه ها (قسمت 1: وصله ردیف بالا) Turning a Single Image into Patches (Part 1: Patching the Top Row)

• تبدیل یک تصویر واحد به تکه ها (قسمت 2: وصله کل تصویر) Turning a Single Image into Patches (Part 2: Patching the Entire Image)

• ایجاد تعبیه پچ با یک لایه حلقوی Creating Patch Embeddings with a Convolutional Layer

• کاوش در خروجی های لایه تعبیه شده پچ ماسوره ما Exploring the Outputs of Our Convolutional Patch Embedding Layer

• مسطح کردن نقشه های ویژگی حلقوی ما به دنباله ای از تعبیه های پچ Flattening Our Convolutional Feature Maps into a Sequence of Patch Embeddings

• تجسم یک بردار توالی واحد از تعبیه های پچ Visualizing a Single Sequence Vector of Patch Embeddings

• ایجاد لایه تعبیه پچ با Pytorch Creating the Patch Embedding Layer with PyTorch

• ایجاد توکن کلاس Creating the Class Token Embedding

• ایجاد توکن کلاس - پرندگان کمتر Creating the Class Token Embedding - Less Birds

• ایجاد موقعیت تعبیه شده Creating the Position Embedding

• معادله 1: قرار دادن همه اینها Equation 1: Putting it All Together

• معادله 2: نمای کلی توجه چند سر Equation 2: Multihead Attention Overview

• معادله 2: نمای کلی Layernorm Equation 2: Layernorm Overview

• تبدیل معادله 2 به کد Turning Equation 2 into Code

• بررسی ورودی ها و خروجی های معادله Checking the Inputs and Outputs of Equation

• معادله 3: نمای کلی تکثیر Equation 3: Replication Overview

• تبدیل معادله 3 به کد Turning Equation 3 into Code

• نمای کلی رمزگذار ترانسفورماتور Transformer Encoder Overview

• ترکیب معادله 2 و 3 برای ایجاد رمزگذار ترانسفورماتور Combining equation 2 and 3 to Create the Transformer Encoder

• ایجاد یک لایه رمزگذار ترانسفورماتور با لایه pytorch داخلی Creating a Transformer Encoder Layer with In-Built PyTorch Layer

• ترانسفورماتور بینایی خودمان را به زندگی می آوریم - قسمت 1: جمع آوری قطعات Bringing Our Own Vision Transformer to Life - Part 1: Gathering the Pieces

• ترانسفورماتور بینایی خودمان را به زندگی می آوریم - قسمت 2: روش رو به جلو Bringing Our Own Vision Transformer to Life - Part 2: The Forward Method

• دریافت خلاصه بصری از ترانسفورماتور دیدگاه سفارشی ما Getting a Visual Summary of Our Custom Vision Transformer

• ایجاد یک عملکرد از دست دادن و بهینه ساز از کاغذ VIT Creating a Loss Function and Optimizer from the ViT Paper

• آموزش VIT های سفارشی ما در مورد بینایی غذایی مینی Training our Custom ViT on Food Vision Mini

• بحث در مورد اینکه مجموعه آموزش ما از دست رفته است Discussing what Our Training Setup Is Missing

• ترسیم یک منحنی ضرر برای مدل VIT ما Plotting a Loss Curve for Our ViT Model

• گرفتن یک ترانسفورماتور بینایی پیشین از مشعل و تنظیم آن Getting a Pretrained Vision Transformer from Torchvision and Setting it Up

• تهیه داده ها برای استفاده با ویتام Preparing Data to Be Used with a Pretrained ViT

• آموزش یک مدل استخراج کننده ویژگی VIT برای Vision Mini Training a Pretrained ViT Feature Extractor Model for Food Vision Mini

• صرفه جویی در مدل VIT پیش ساخته ما برای ثبت و بازرسی از اندازه آن Saving Our Pretrained ViT Model to File and Inspecting Its Size

• بحث در مورد معاملات بین استفاده از یک مدل بزرگتر برای استقرار Discussing the Trade-Offs Between Using a Larger Model for Deployments

• پیش بینی در مورد یک تصویر سفارشی با VIT پیش ساخته ما Making Predictions on a Custom Image with Our Pretrained ViT

• تکرار مقاله Pytorch: غذای اصلی ، تمرینات و برنامه درسی خارج از برنامه PyTorch Paper Replicating: Main Takeaways, Exercises and Extra-Curriculum

استقرار مدل Pytorch PyTorch Model Deployment

• استقرار مدل یادگیری ماشین چیست - چرا یک مدل یادگیری ماشین را مستقر کنید What is Machine Learning Model Deployment - Why Deploy a Machine Learning Model

• سه سوال برای درخواست استقرار مدل یادگیری ماشین Three Questions to Ask for Machine Learning Model Deployment

• مدل من به کجا می رود؟ Where Is My Model Going to Go?

• مدل من چگونه کار می کند؟ How Is My Model Going to Function?

• برخی از ابزارها و مکانهایی برای استقرار مدل های یادگیری ماشین Some Tools and Places to Deploy Machine Learning Models

• آنچه ما می خواهیم پوشش دهیم What We Are Going to Cover

• راه اندازی کد Getting Setup to Code

• بارگیری یک مجموعه داده برای Food Vision Mini Downloading a Dataset for Food Vision Mini

• تشریح اهداف مینی استقرار بینایی ما و آزمایش های مدل سازی Outlining Our Food Vision Mini Deployment Goals and Modelling Experiments

• ایجاد یک مدل استخراج کننده ویژگی EffnetB2 Creating an EffNetB2 Feature Extractor Model

• یک تابع ایجاد کنید تا یک مدل استخراج کننده ویژگی EffnetB2 ایجاد شود و تبدیل شود Create a Function to Make an EffNetB2 Feature Extractor Model and Transforms

• ایجاد Dataloaders برای EffnetB2 Creating DataLoaders for EffNetB2

• آموزش استخراج کننده ویژگی EffnetB2 ما و بازرسی از منحنی های ضرر Training Our EffNetB2 Feature Extractor and Inspecting the Loss Curves

• ذخیره مدل EffnetB2 ما برای پرونده Saving Our EffNetB2 Model to File

• گرفتن اندازه مدل EffnetB2 ما در مگابایت Getting the Size of Our EffNetB2 Model in Megabytes

• جمع آوری آمار مهم و معیارهای عملکرد برای مدل EffnetB2 ما Collecting Important Statistics and Performance Metrics for Our EffNetB2 Model

• ایجاد یک مدل استخراج کننده ویژگی ترانسفورماتور Vision Creating a Vision Transformer Feature Extractor Model

• ایجاد Dataloaders برای مدل استخراج کننده ویژگی VIT ما Creating DataLoaders for Our ViT Feature Extractor Model

• آموزش مدل استخراج کننده ویژگی VIT ما و بازرسی از منحنی های از دست دادن آن Training Our ViT Feature Extractor Model and Inspecting Its Loss Curves

• صرفه جویی در استخراج کننده ویژگی VIT ما و بازرسی از اندازه آن Saving Our ViT Feature Extractor and Inspecting Its Size

• جمع آوری آمار در مورد استخراج کننده ویژگی های ما Collecting Stats About Our-ViT Feature Extractor

• تشریح مراحل پیش بینی های ساخت و زمان بندی برای مدل های ما Outlining the Steps for Making and Timing Predictions for Our Models

• ایجاد تابعی برای ایجاد و پیش بینی زمان با مدل های ما Creating a Function to Make and Time Predictions with Our Models

• پیش بینی های ساخت و زمان بندی با EffnetB2 Making and Timing Predictions with EffNetB2

• پیش بینی های ساخت و زمان بندی با VIT Making and Timing Predictions with ViT

• مقایسه آمار EffnetB2 و VIT مدل Comparing EffNetB2 and ViT Model Statistics

• تجسم عملکرد در مقابل سرعت تجارت Visualizing the Performance vs Speed Trade-off

• نمای کلی و نصب Gradio Gradio Overview and Installation

• رئوس مطالب Gradio Gradio Function Outline

• ایجاد یک عملکرد پیش بینی برای نقشه برداری از ورودی های مینی بینایی ما به خروجی ها Creating a Predict Function to Map Our Food Vision Mini Inputs to Outputs

• ایجاد لیستی از نمونه هایی برای انتقال به نسخه ی نمایشی Gradio ما Creating a List of Examples to Pass to Our Gradio Demo

• آوردن Mini Vision Food در یک برنامه وب زنده Bringing Food Vision Mini to Life in a Live Web Application

• آماده شدن برای استقرار برنامه ما در آغوش گرفتن فضاهای صورت Getting Ready to Deploy Our App Hugging Face Spaces Overview

• تشریح ساختار پرونده برنامه مستقر ما Outlining the File Structure of Our Deployed App

• ایجاد یک دایرکتوری مینی نمایشی بینایی برای تهیه پرونده های برنامه ما Creating a Food Vision Mini Demo Directory to House Our App Files

• ایجاد یک دایرکتوری نمونه با مثال تصاویر مینی تصاویر بینایی Creating an Examples Directory with Example Food Vision Mini Images

• نوشتن کد برای جابجایی فایل مدل Saved EffnetB2 ما Writing Code to Move Our Saved EffNetB2 Model File

• تبدیل عملکرد تولید مدل EffnetB2 ما به یک اسکریپت پایتون Turning Our EffNetB2 Model Creation Function Into a Python Script

• تبدیل برنامه Mini Demo Vision Mini Mini به یک اسکریپت پایتون Turning Our Food Vision Mini Demo App Into a Python Script

• ایجاد یک فایل مورد نیاز برای برنامه Mini Vision Food Mini Creating a Requirements File for Our Food Vision Mini App

• بارگیری فایلهای مینی برنامه Vision Mini از Google Colab Downloading Our Food Vision Mini App Files from Google Colab

• بارگذاری برنامه Mini Vision Mini برای بغل کردن فضاهای صورت به صورت برنامه ای Uploading Our Food Vision Mini App to Hugging Face Spaces Programmatically

• در حال اجرا بینایی غذایی مینی در بغل کردن فضاهای صورت و امتحان کردن آن Running Food Vision Mini on Hugging Face Spaces and Trying it Out

• چشم انداز بزرگ چشم انداز پروژه بزرگ Food Vision Big Project Outline

• تهیه یک مدل استخراج کننده ویژگی EffnetB2 برای بینایی غذایی بزرگ Preparing an EffNetB2 Feature Extractor Model for Food Vision Big

• بارگیری مجموعه داده 101 غذا Downloading the Food 101 Dataset

• ایجاد تابعی برای تقسیم مجموعه داده 101 غذای ما به بخش های کوچکتر Creating a Function to Split Our Food 101 Dataset into Smaller Portions

• تبدیل داده های 101 غذای ما به Dataloaders Turning Our Food 101 Datasets into DataLoaders

• آموزش چشم انداز غذا بزرگ: بزرگترین مدل ما هنوز! Training Food Vision Big: Our Biggest Model Yet!

• تشریح ساختار پرونده برای بینایی غذایی ما Outlining the File Structure for Our Food Vision Big

• بارگیری یک تصویر به عنوان مثال و حرکت فایل مدل بزرگ Vision Model Downloading an Example Image and Moving Our Food Vision Big Model File

• صرفه جویی در نام کلاس 101 کلاس در یک فایل متنی و خواندن آنها Saving Food 101 Class Names to a Text File and Reading them Back In

• تبدیل عملکرد استخراج کننده ویژگی EffnetB2 ما به یک اسکریپت پایتون Turning Our EffNetB2 Feature Extractor Creation Function into a Python Script

• ایجاد یک اسکریپت برنامه برای چشم انداز غذایی ما مدل بزرگ Gradio Demo Creating an App Script for Our Food Vision Big Model Gradio Demo

• zipping و بارگیری فایلهای بزرگ برنامه غذایی ما Zipping and Downloading Our Food Vision Big App Files

• استقرار بینایی غذایی بزرگ برای بغل کردن فضاهای صورت Deploying Food Vision Big to Hugging Face Spaces

• استقرار حالت Pytorch: راه حل های اصلی ، برنامه درسی خارج از برنامه و تمرینات PyTorch Mode Deployment: Main Takeaways, Extra-Curriculum and Exercises

آشنایی با Pytorch 2.0 و Torch.compile Introduction to PyTorch 2.0 and torch.compile

• آشنایی با Pytorch 2.0 Introduction to PyTorch 2.0

• آنچه ما می خواهیم مواد مرجع Pytorch 2 را پوشش دهیم What We Are Going to Cover and PyTorch 2 Reference Materials

• شروع با Pytorch 2 در Google Colab Getting Started with PyTorch 2 in Google Colab

• Pytorch 2.0 - 30 ثانیه مقدمه PyTorch 2.0 - 30 Second Intro

• راه اندازی برای Pytorch 2 Getting Setup for PyTorch 2

• دریافت اطلاعات از GPU ما و دیدن اینکه آیا آنها قادر به استفاده از Pytorch 2 هستند Getting Info from Our GPUs and Seeing if They're Capable of Using PyTorch 2

• تنظیم دستگاه پیش فرض در Pytorch 2 Setting the Default Device in PyTorch 2

• بحث در مورد آزمایشاتی که می خواهیم برای Pytorch 2 اجرا کنیم Discussing the Experiments We Are Going to Run for PyTorch 2

• مقدمه ای بر Pytorch 2 Introduction to PyTorch 2

• ایجاد تابعی برای تنظیم مدل ما و تبدیل Creating a Function to Setup Our Model and Transforms

• بحث در مورد چگونگی دستیابی به سرعت های نسبی بهتر برای مدل های آموزشی Discussing How to Get Better Relative Speedups for Training Models

• تنظیم اندازه دسته و اندازه داده ها به صورت برنامه ای Setting the Batch Size and Data Size Programmatically

• دریافت سرعت های بالقوه بیشتر با Tensorfloat-32 Getting More Potential Speedups with TensorFloat-32

• بارگیری مجموعه داده CIFAR10 Downloading the CIFAR10 Dataset

• ایجاد آموزش و آزمایش دیتاجینرها Creating Training and Test DataLoaders

• آماده سازی حلقه های آموزش و آزمایش با مراحل زمان بندی برای زمان بندی Pytorch 2.0 Preparing Training and Testing Loops with Timing Steps for PyTorch 2.0 timing

• آزمایش 1 - تک اجرا بدون مشعل. Experiment 1 - Single Run without torch.compile

• آزمایش 2 - تک اجرا با مشعل. compile Experiment 2 - Single Run with torch.compile

• مقایسه نتایج آزمایش 1 و 2 Comparing the Results of Experiment 1 and 2

• صرفه جویی در نتایج آزمایش 1 و 2 Saving the Results of Experiment 1 and 2

• آماده سازی توابع برای آزمایش 3 و 4 Preparing Functions for Experiment 3 and 4

• آزمایش 3 - آموزش یک مدل غیر تکمیل شده برای چندین اجرا Experiment 3 - Training a Non-Compiled Model for Multiple Runs

• آزمایش 4 - آموزش یک مدل کامپایل شده برای چندین اجرا Experiment 4 - Training a Compiled Model for Multiple Runs

• مقایسه نتایج آزمایش 3 و 4 Comparing the Results of Experiment 3 and 4

• پسوندها و منابع بالقوه برای کسب اطلاعات بیشتر Potential Extensions and Resources to Learn More

بخش پاداش Bonus Section

• سخنرانی ویژه جایزه Special Bonus Lecture

از اینجا کجا برویم؟ Where To Go From Here?

• ممنون Thank You!

• فارغ التحصیل شوید Become An Alumni

• تأیید در LinkedIn Endorsements on LinkedIn

• دستورالعمل یادگیری Learning Guideline