آموزش ساخت اولین راه حل PyTorch خود

Building Your First PyTorch Solution

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیویی برای نمایش وجود ندارد.
توضیحات دوره: این دوره جنبه های مهم عملی نصب PyTorch را از ابتدا روی انواع مختلف سیستم عامل و استفاده از مدل های طبقه بندی و رگرسیون را پوشش می دهد. این دوره بخشی از موارد زیر است: ساختن راه حل های یادگیری عمیق با PyTorch Path همه را بزرگ کنید بررسی اجمالی دوره دهه یکم نصب PyTorch در یک ماشین محلی 37 متر 10 ثانیه درک رگرسیون خطی با یک نورون منفرد 34m 33s ساخت مدل رگرسیون با استفاده از PyTorch 37m 27s ساخت یک مدل طبقه بندی با استفاده از PyTorch دهه 33 متر علائم تجاری و نامهای تجاری اشخاص ثالث ذکر شده در این دوره متعلق به صاحبان مربوطه می باشند و Pluralsight وابسته یا تأیید شده توسط این احزاب نیست.

سرفصل ها و درس ها

بررسی اجمالی دوره Course Overview

  • بررسی اجمالی دوره Course Overview

نصب PyTorch در یک ماشین محلی Installing PyTorch on a Local Machine

  • بررسی اجمالی ماژول Module Overview

  • پیش نیازها و طرح کلی دوره Prerequisites and Course Outline

  • پشتیبانی از CUDA در PyTorch CUDA Support in PyTorch

  • بررسی گزینه های نصب PyTorch در یک ماشین محلی Exploring PyTorch Install Options on a Local Machine

  • راه اندازی یک ماشین مجازی Setting up a Virtual Machine

  • نصب PyTorch با پشتیبانی CPU با استفاده از Conda Installing PyTorch with CPU Support Using Conda

  • نصب PyTorch با پشتیبانی CPU با استفاده از Pip Installing PyTorch with CPU Support Using Pip

  • افزودن پشتیبانی GPU به VM و نصب جعبه ابزار CUDA Adding GPU Support to the VM and Installing the CUDA Toolkit

  • نصب PyTorch با پشتیبانی GPU با استفاده از Conda Installing PyTorch with GPU Support Using Conda

  • نصب PyTorch با پشتیبانی CUDA با استفاده از Pip Installing PyTorch with CUDA Support Using Pip

  • خلاصه ماژول Module Summary

درک رگرسیون خطی با یک نورون منفرد Understanding Linear Regression with a Single Neuron

  • بررسی اجمالی ماژول Module Overview

  • رگرسیون خطی Linear Regression

  • یافتن بهترین خط مناسب Finding the Best Fit Line

  • شیب نزولی Gradient Descent

  • آموزش یک شبکه عصبی ساده با یک نورون Training a Simple Neural Network with One Neuron

  • تجسم نتایج رگرسیون و مقایسه آنها با رگرسیون با استفاده از یادگیری دقیق Visualizing Regression Results and Compare with Regression Using scikit-learn

  • جلوگیری از نصب بیش از حد با استفاده از قاعده مند شدن Preventing Overfitting Using Regularization

  • انجام رگرسیون ریج با استفاده از شبکه عصبی با یک نورون Performing Ridge Regression Using a Neural Network with One Neuron

  • خلاصه ماژول Module Summary

ساخت مدل رگرسیون با استفاده از PyTorch Building a Regression Model Using PyTorch

  • بررسی اجمالی ماژول Module Overview

  • آموزش شبکه عصبی به جلو و عقب Training a Neural Network Forward and Backward Passes

  • بهینه سازها Optimizers

  • ساخت یک شبکه عصبی با استفاده از لایه های PyTorch Building a Neural Network Using PyTorch Layers

  • آموزش شبکه عصبی با استفاده از بهینه سازها Training a Neural Network Using Optimizers

  • ترک تحصیل Dropout

  • دوره ها و دسته ها Epochs and Batches

  • بررسی مجموعه اشتراک دوچرخه Exploring the Bike Sharing Dataset

  • با استفاده از مجموعه داده ها و Data Loaders در PyTorch Using Datasets and Data Loaders in PyTorch

  • ساخت و آموزش یک شبکه عصبی برای پیش بینی تقاضای تقسیم دوچرخه Building and Train a Neural Network for Bike Sharing Demand Prediction

  • کار با معماری های مختلف شبکه عصبی Working with Different Neural Network Architectures

  • خلاصه ماژول Module Summary

ساخت یک مدل طبقه بندی با استفاده از PyTorch Building a Classification Model Using PyTorch

  • بررسی اجمالی ماژول Module Overview

  • Softmax و Cross Entropy Softmax and Cross Entropy

  • Softmax و LogSoftmax Softmax and LogSoftmax

  • ارزیابی طبقه بندی ها Evaluating Classifiers

  • بررسی مجموعه پذیرش فارغ التحصیلان Exploring the Graduate Admissions Dataset

  • پیش پردازش داده ها Preprocessing the Data

  • ساخت یک شبکه عصبی سفارشی Building a Custom Neural Network

  • آموزش و ارزیابی شبکه عصبی Training and Evaluating the Neural Network

  • سفارشی سازی و ارزیابی مدل های مختلف Customizing and Evaluating Different Models

  • خلاصه و مطالعه بیشتر Summary and Further Study

نمایش نظرات

آموزش ساخت اولین راه حل PyTorch خود
جزییات دوره
2h 24m
43
Pluralsight (پلورال سایت) Pluralsight (پلورال سایت)
(آخرین آپدیت)
20
4.7 از 5
دارد
دارد
دارد
Janani Ravi
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Janani Ravi Janani Ravi

معمار و مهندس داده خبره Google Cloud

Janani Ravi یک معمار و مهندس داده خبره Google cloud است.

جنانی مدرک کارشناسی ارشد خود را در رشته مهندسی برق از دانشگاه استنفورد دریافت کرد و برای مایکروسافت، گوگل و فلیپ کارت کار کرده است. او یکی از بنیانگذاران Loonycorn است، یک استودیوی محتوا که بر ارائه محتوای با کیفیت بالا برای توسعه مهارت های فنی متمرکز است، جایی که او عشق خود را به فناوری با اشتیاق خود به تدریس ترکیب می کند.