تسریع در یادگیری عمیق با آموزش انتقال: PyTorch Playbook

Expediting Deep Learning with Transfer Learning: PyTorch Playbook

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیویی برای نمایش وجود ندارد.
توضیحات دوره: این دوره شامل انتخاب های مهمی در طراحی است که یک متخصص داده باید هنگام استفاده از مدل های از قبل آموزش دیده با استفاده از Transfer Learning انجام دهد. این همچنین جنبه های پیاده سازی رویکردهای مختلف یادگیری انتقال در PyTorch را پوشش می دهد. یادگیری انتقال به استفاده مجدد از یک مدل یادگیری ماشین آموزش دیده برای یک مسئله مشابه ، نگه داشتن معماری مدل بدون تغییر ، اما به طور بالقوه تغییر وزن مدل اشاره دارد. در این دوره ، Expediting Deep Learning with Transfer Learning: PyTorch Playbook ، شما توانایی شناسایی روش صحیح انتقال یادگیری و پیاده سازی آن را با استفاده از PyTorch خواهید یافت. ابتدا یاد خواهید گرفت که چگونه می توان اشکال مختلف یادگیری انتقالی - مانند یادگیری انتقال استقرایی ، انتقالی و بدون نظارت - را در ترکیبات مختلف دامنه منبع و هدف اعمال کرد. در مرحله بعدی ، خواهید فهمید که چگونه راه حل های یادگیری از این واقعیت استفاده می کنند که لایه های پایین مدل های از قبل آموزش دیده معمولاً اطلاعات ویژگی ها را استخراج می کنند و خاص داده ها هستند ، در حالی که لایه های بعدی بیشتر خاص مسئله هستند. سرانجام ، شما نحوه طراحی و اجرای استراتژی صحیح برای انجماد و تنظیم دقیق لایه های مناسب مدل از قبل آموزش دیده را کشف خواهید کرد. با دیدن چگونگی در دسترس بودن معماری های قدرتمند مختلف ، به صورت از قبل آموزش دیده ، در مجموعه راه حل های یادگیری انتقال PyTorch ، دوره را دور می زنید. پس از اتمام این دوره ، مهارت و دانش لازم برای انتخاب روش یادگیری انتقال مناسب برای مشکل خاص خود و طراحی و اجرای آن با استفاده از PyTorch را خواهید داشت.

سرفصل ها و درس ها

بررسی اجمالی دوره Course Overview

  • بررسی اجمالی دوره Course Overview

شروع کار با آموزش انتقال Getting Started with Transfer Learning

  • بررسی اجمالی ماژول Module Overview

  • پیش نیازها و طرح کلی دوره Prerequisites and Course Outline

  • معرفی آموزش انتقال Introducing Transfer Learning

  • دامنه های منبع و هدف ، وظایف منبع و هدف Source and Target Domains, Source and Target Tasks

  • دسته بندی آموزش انتقال Categorizing Transfer Learning

  • سناریوهای یادگیری انتقال Transfer Learning Scenarios

  • لایه های فریز یا تنظیم دقیق؟ Freeze or Fine-tune Layers?

  • مزایای آموزش انتقال Benefits of Transfer Learning

  • مدل های از قبل آموزش دیده در PyTorch Pre-trained Models in PyTorch

  • راه اندازی یک ماشین مجازی یادگیری عمیق در بستر Google Cloud Setting up a Deep Learning Virtual Machine on the Google Cloud Platform

  • کاوش در مدلهای از قبل آموزش دیده در PyTorch Exploring Pre-trained Models in PyTorch

  • خلاصه ماژول Module Summary

انجام استخراج ویژگی با استفاده از آموزش انتقال Performing Feature Extraction Using Transfer Learning

  • بررسی اجمالی ماژول Module Overview

  • بارگذاری مجموعه داده ها برای استفاده برای طبقه بندی تصویر Uploading Datasets to Use for Image Classification

  • کاوش و بارگذاری مجموعه داده های گربه ها و سگ ها Exploring and Loading the Cats and Dogs Dataset

  • استفاده از مدل VGG16 به عنوان استخراج کننده ویژگی ثابت Using the VGG16 Model as a Fixed Feature Extractor

  • آموزش لایه نهایی و استفاده از مدل برای پیش بینی ها Training the Final Layer and Using the Model for Predictions

  • کاوش و بارگیری مجموعه داده های نشت روغن Exploring and Loading the Oil Spill Dataset

  • انجماد لایه های پایین و تنظیم دقیق وزن لایه های برتر Freezing Lower Layers and Fine-tuning Weights of Top Layers

  • تنظیم دقیق لایه های برتر Fine-tuning Top Layers

  • خلاصه ماژول Module Summary

استفاده مجدد از معماری ها و طرح های مدل Reusing Model Architectures and Designs

  • بررسی اجمالی ماژول Module Overview

  • کاوش و بارگیری مجموعه داده های اشعه ایکس قفسه سینه Exploring and Loading the Chest X-Ray Dataset

  • آموزش یک مدل از Scratch Training a Model from Scratch

  • کاوش و بارگذاری مجموعه تصاویر طبیعی Exploring and Loading the Natural Images Dataset

  • تنظیم دقیق شبکه Fine-tuning the Network

  • پاک کردن منابع Cleaning up Resources

  • خلاصه و مطالعه بیشتر Summary and Further Study

نمایش نظرات

تسریع در یادگیری عمیق با آموزش انتقال: PyTorch Playbook
جزییات دوره
1h 46m
29
Pluralsight (پلورال سایت) Pluralsight (پلورال سایت)
(آخرین آپدیت)
-
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.