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 بسیاری از جنبه های ساخت مدل های یادگیری عمیق در PyTorch ، از جمله نورون ها و شبکه های عصبی ، و نحوه استفاده PyTorch از حساب دیفرانسیل برای آموزش این مدل ها و ایجاد نمودارهای محاسباتی پویا در یادگیری عمیق را پوشش می دهد. این مدل ها به دلیل انعطاف پذیری ، سهولت استفاده و پشتیبانی داخلی برای سخت افزارهای بهینه شده مانند GPU است. با استفاده از PyTorch ، می توانید مدل های پیچیده یادگیری عمیق بسازید ، در حالی که هنوز از پشتیبانی بومی Python برای اشکال زدایی و تجسم استفاده می کنید. در این دوره ، مبانی PyTorch ، شما توانایی استفاده از پشتیبانی PyTorch برای نمودارهای محاسبه پویا را دارید و این را با دیگر چارچوب های معروف مانند TensorFlow مقایسه می کنید. ابتدا ، شما اطلاعات داخلی نورون ها و شبکه های عصبی را یاد خواهید گرفت ، و خواهید دید که چگونه عملکردهای فعال سازی ، تغییر شکل آینه ها و لایه ها در یک مدل یادگیری عمیق به هم می پیوندند. در مرحله بعدی ، شما خواهید فهمید که چگونه چنین مدلی آموزش داده می شود ، یعنی چطور بهترین مقادیر پارامترهای مدل برآورد می شود. سپس خواهید دید که چگونه برای بهینه سازی این فرآیند ، بهینه سازی نزولی گرادیان بصورت هوشمند اجرا می شود. انواع مختلف تمایز را که می توان در این فرآیند استفاده کرد ، و اینکه PyTorch چگونه از Autograd برای پیاده سازی تمایز خودکار در حالت معکوس استفاده می کند ، درک خواهید کرد. شما با سازه های مختلف PyTorch مانند Tensors ، Variables و Gradients کار خواهید کرد. در آخر ، نحوه ساخت نمودارهای محاسباتی پویا در PyTorch را کشف خواهید کرد. شما این دوره را با تضاد با رویکردهای استفاده شده در TensorFlow ، یکی دیگر از چارچوب های یادگیری عمیق برجسته دیگری که قبلاً فقط نمودارهای محاسبه ایستا ارائه می داد ، ارائه می دهد ، اما اخیراً پشتیبانی از نمودارهای محاسبات پویا را نیز ارائه داده است. پس از پایان این دوره ، مهارت و دانش لازم برای ساخت مدل های یادگیری عمیق در PyTorch را خواهید داشت و از قدرت نمودارهای محاسبه پویا استفاده می کنید.
سرفصل ها و درس ها
بررسی اجمالی دوره
Course Overview
بررسی اجمالی دوره
Course Overview
شروع کار با PyTorch برای یادگیری ماشین
Getting Started with PyTorch for Machine Learning
بررسی اجمالی ماژول
Module Overview
پیش نیازها و طرح کلی دوره
Prerequisites and Course Outline
نمایندگی یادگیری با استفاده از شبکه های عصبی
Representation Learning Using Neural Networks
نورون به عنوان یک تابع ریاضی
Neuron as a Mathematical Function
توابع فعال سازی
Activation Functions
معرفی PyTorch
Introducing PyTorch
TensorFlow و PyTorch
TensorFlow and PyTorch
نسخه ی نمایشی: PyTorch نصب و راه اندازی
Demo: PyTorch Install and Setup
خلاصه
Summary
سنسورهای PyTorch در حال کار
Working PyTorch Tensors
بررسی اجمالی ماژول
Module Overview
نسخه ی نمایشی: ایجاد و راه اندازی اولیه تنتورها
Demo: Creating and Initializing Tensors
نسخه ی نمایشی: عملیات ساده بر روی تانسورها
Demo: Simple Operations on Tensors
نسخه ی نمایشی: عملیات عناصر و ماتریس بر روی تانسورها
Demo: Elementwise and Matrix Operations on Tensors
نسخه ی نمایشی: تبدیل بین تنتورهای PyTorch و آرایه های NumPy
Demo: Converting between PyTorch Tensors and NumPy Arrays
پشتیبانی PyTorch برای دستگاه های CUDA
PyTorch Support for CUDA Devices
نسخه ی نمایشی: راه اندازی یک Deep Learning VM برای کار با GPU ها
Demo: Setting up a Deep Learning VM to Work with GPUs
نسخه ی نمایشی: ایجاد تنور در دستگاه های دارای CUDA
Demo: Creating Tensors on CUDA-enabled Devices
نسخه ی نمایشی: کار با مدیر زمینه دستگاه
Demo: Working with the Device Context Manager
خلاصه
Summary
کار با Gradients با استفاده از کتابخانه Autograd
Working with Gradients Using the Autograd Library
بررسی اجمالی ماژول
Module Overview
بهینه سازی نزول گرادیان
Gradient Descent Optimization
پاس های جلو و عقب
Forward and Backward Passes
محاسبه شیب ها
Calculating Gradients
استفاده از Gradients برای به روزرسانی پارامترهای مدل
Using Gradients to Update Model Parameters
دو پاس در حالت معکوس تمایز خودکار
Two Passes in Reverse Mode Automatic Differentiation
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