Beginning of dialog window. Escape will cancel and close the window.
End of dialog window.
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
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.
نمایش نظرات
نظری ارسال نشده است.