آموزش ساخت مدل های یادگیری عمیق با استفاده از PyTorch

Building Deep Learning Models Using PyTorch

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: PyTorch یک چارچوب یادگیری عمیق منبع باز است که در ابتدا توسط تیم های هوش مصنوعی در فیس بوک توسعه یافته است. PyTorch API های سطح بالایی را ارائه می دهد که ساخت شبکه های عصبی را آسان می کند و پشتیبانی عالی برای آموزش توزیع شده و پیش بینی دارد. PyTorch یک چارچوب یادگیری عمیق منبع باز است که جایگزین محبوبی برای TensorFlow و Apache MXNet است. API های PyTorch از یک رویکرد بومی پایتون پیروی می کنند که همراه با اجرای پویا نمودار، کار با آن را برای توسعه دهندگان پایتون و دانشمندان داده بسیار شهودی می کند. در این دوره آموزشی، ساخت مدل‌های یادگیری عمیق با استفاده از PyTorch، کار با PyTorch و تمام کتابخانه‌هایی را که ارائه می‌کند، از اصول اولیه - از تانسورهای Torch، نمودارهای محاسباتی پویا، و کتابخانه autograd تا محاسبه گرادیان‌ها، یاد خواهید گرفت. شما با درک اصول اولیه آموزش شبکه عصبی، پاس های رو به جلو و عقب و محاسبه گرادیان شروع خواهید کرد. شما از این مفاهیم برای ساخت شبکه های عصبی ساده برای پیش بینی قیمت خودروها و همچنین اینکه چه کسی در تایتانیک جان سالم به در برده و چه کسی نجات نداده است، استفاده خواهید کرد. در مرحله بعد، به طبقه بندی تصاویر با استفاده از شبکه های عصبی کانولوشنال می روید. شما نقش لایه های کانولوشنال و ادغام و ساختار اصلی یک CNN را مطالعه خواهید کرد، سپس یک CNN برای طبقه بندی تصاویر از مجموعه داده Cifar-10 خواهید ساخت. همچنین خواهید دید که چگونه می توانید با استفاده از مدل های از پیش آموزش دیده برای طبقه بندی تصاویر، از قدرت یادگیری انتقال استفاده کنید. در نهایت، با مشاهده اینکه چگونه اجرای نمودار محاسباتی پویا در PyTorch ساخت RNN ها را بسیار ساده می کند، با شبکه های عصبی مکرر برای داده های توالی کار خواهید کرد. شما از RNN با سلول های حافظه بلند برای پیش بینی جنسیت با استفاده از نام نوزاد استفاده خواهید کرد. در پایان این دوره، با استفاده از کتابخانه‌ها و APIهای PyTorch برای استفاده از مدل‌های از پیش آموزش‌دیده‌ای که PyTorch ارائه می‌دهد و همچنین برای ساختن مدل سفارشی خود برای استفاده خاص خود، راحت خواهید بود.

سرفصل ها و درس ها

بررسی اجمالی دوره Course Overview

  • بررسی اجمالی دوره Course Overview

مقدمه ای بر PyTorch Introduction to PyTorch

  • بررسی نسخه Version Check

  • نمای کلی ماژول Module Overview

  • پیش نیازها و رئوس مطالب دوره Prerequisites and Course Outline

  • نورون ها و شبکه های عصبی Neurons and Neural Networks

  • معرفی PyTorch Introducing PyTorch

  • در حال نصب PyTorch Installing PyTorch

  • تانسورها Tensors

  • ایجاد و کار با PyTorch Tensor Creating and Working with PyTorch Tensors

  • عملیات با تانسورها Operations with Tensors

  • نمودار محاسباتی The Computation Graph

  • گرادیان نزول Gradient Descent

  • پاس های جلو و عقب Forward and Backward Passes

ساخت شبکه های عصبی ساده Building Simple Neural Networks

  • نمای کلی ماژول Module Overview

  • درک گرادیان Understanding Gradients

  • معرفی اتوگراد Introducing Autograd

  • تمایز خودکار حالت معکوس برای محاسبه گرادیان Reverse-mode Automatic Differentiation to Calculate Gradients

  • مدل خطی با استفاده از Autograd Linear Model Using Autograd

  • بررسی مجموعه داده های پیش بینی قیمت خودرو Exploring the Automobile Price Prediction Dataset

  • پیش بینی قیمت با استفاده از یک شبکه عصبی کاملاً متصل Price Prediction Using a Fully Connected Neural Network

  • بهینه سازها Optimizers

  • شبکه های عصبی برای طبقه بندی Neural Networks for Classification

  • کاوش مجموعه داده تایتانیک برای طبقه بندی Exploring the Titanic Dataset for Classification

  • آموزش شبکه عصبی Training the Neural Network

  • دقت رسم و معیارهای تلفات Plotting Accuracy and Loss Metrics

ساخت یک مدل طبقه بندی تصویر Building an Image Classification Model

  • نمای کلی ماژول Module Overview

  • درک یک تصویر Perceiving an Image

  • لایه های کانولوشنال Convolutional Layers

  • لایه های ترکیبی Pooling Layers

  • معماری CNN CNN Architectures

  • عادی سازی دسته ای Batch Normalization

  • کاوش در مجموعه داده CIFAR10 Exploring The CIFAR10 Dataset

  • ساخت نسخه ی نمایشی و آموزش CNN Demo Building and Training the CNN

  • پیش بینی داده های تست Predictions on Test Data

  • یادگیری انتقالی Transfer Learning

  • مدل Pretrained ResNet: کاوش داده ها ResNet Pretrained Model: Data Exploration

  • مدل از پیش آموزش دیده ResNet: کاوش داده، توابع کمکی ResNet Pretrained Model: Data Exploration, Helper Functions

  • ResNet Pretrained Model: Training and Prediction ResNet Pretrained Model: Training and Prediction

  • با استفاده از یک مدل از پیش آموزش دیده با لایه های منجمد Using a Pretrained Model with Frozen Layers

ساخت یک مدل طبقه بندی متن Building a Text Classification Model

  • نمای کلی ماژول Module Overview

  • نورون های عود کننده Recurrent Neurons

  • باز کردن سلول های حافظه RNN در طول زمان Unrolling RNN Memory Cells Through Time

  • سلول های حافظه بلند Long Memory Cells

  • پیش بینی جنسیت نام ها ساختار RNN Gender Prediction of Names RNN Structure

  • مجموعه داده نام ها را آماده کنید Prepare the Names Dataset

  • ساخت RNN Building the RNN

  • آموزش RNN Training the RNN

  • ماتریس سردرگمی Confusion Matrix

  • ترسیم پیش‌بینی‌های نام در یک ماتریس سردرگمی Plotting Name Predictions in a Confusion Matrix

  • خلاصه و مطالعه بیشتر Summary and Further Study

نمایش نظرات

آموزش ساخت مدل های یادگیری عمیق با استفاده از PyTorch
جزییات دوره
3h 18m
50
Pluralsight (پلورال سایت) Pluralsight (پلورال سایت)
(آخرین آپدیت)
39
4.5 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.