Hands-On TensorBoard برای توسعه دهندگان PyTorch [ویدئو]

Hands-On TensorBoard for PyTorch Developers [Video]

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: TensorBoard یک کتابخانه تجسمی برای TensorFlow است که اجراهای آموزشی، تانسورها و نمودارها را ترسیم می کند. TensorBoard از زمان انتشار PyTorch 1.1 به صورت بومی پشتیبانی شده است. در این دوره آموزشی، نحوه انجام تجسم یادگیری ماشینی در PyTorch از طریق TensorBoard را خواهید آموخت. این دوره پر از مثال های کاربردی و عملی است. شما با معرفی سریع TensorBoard و نحوه استفاده از آن برای ترسیم مدل های آموزشی PyTorch خود شروع خواهید کرد. شما یاد خواهید گرفت که چگونه رویدادهای TensorBoard را بنویسید و TensorBoard را با PyTorch اجرا کنید تا تصویری از پیشرفت آموزش یک شبکه عصبی به دست آورید. شما مقادیر اسکالر، تصاویر، متن و موارد دیگر را تجسم خواهید کرد و آنها را به عنوان رویداد ذخیره خواهید کرد. شما رویدادها را در PyTorch ثبت خواهید کرد - به عنوان مثال، اسکالر، تصویر، صدا، هیستوگرام، متن، جاسازی و انتشار پس. در پایان دوره، به اندازه کافی مطمئن خواهید بود که از تجسم های TensorBoard در PyTorch برای پروژه های دنیای واقعی خود استفاده کنید. همه فایل‌های کد مربوطه در مخزن GitHub در آدرس زیر قرار می‌گیرند: https://github.com/PacktPublishing/Hands-On-TensorBoard-for-PyTorch-Developers تجسم‌های TensorBoard را با مدل‌های PyTorch نشان می‌دهند، از جمله منحنی‌های آموزشی، توزیع داده‌ها، هیستوگرام داده، نمودارهای مدل و جاسازی متن چندین پارامتر و رویداد را در PyTorch ثبت کنید و به راحتی از آنها برای تجسم های TensorBoard استفاده کنید انواع داده های متعددی از جمله داده های اسکالر، برداری، متن، تصویر و صدا را تجسم کنید داده ها و جاسازی های متن را به صورت دو بعدی و سه بعدی مشاهده کنید از TensorBoard برای شناسایی خطاها و رفع مدل‌ها با مثال‌های عملی در یادگیری ماشین، طبقه‌بندی تصویر و NLP استفاده کنید. تنظیم هایپرپارامتر را ردیابی و بهینه سازی کنید تا بتوانید پیکربندی های مدل را نمایش دهید و عملکرد را برای مقایسه چندین مدل و بازتولید آزمایش ها اندازه گیری کنید. ثبت رویدادها از PyTorch با چند خط کد این دوره توسعه دهندگان، دانشمندان داده، تحلیلگران و مهندسان AI/ML را هدف قرار می دهد که با PyTorch کار می کنند و می خواهند از قدرت کتابخانه TensorBoard برای تجسم پیشرفت آموزش شبکه های عصبی خود استفاده کنند. پیش نیاز: این دوره نیاز به آشنایی اولیه با پایتون و یک IDE (نوت بوک یا کولب ژوپیتر) همراه با آشنایی اولیه با PyTorch برای تست و آموزش شبکه های عصبی دارد. همه چیزهایی را که برای شروع استفاده از TensorBoard در PyTorch باید بدانید با مثال‌های عملی در یادگیری ماشین، طبقه‌بندی تصویر، و پردازش زبان طبیعی (NLP) بیاموزید * TensorBoard را از هر محیط توسعه‌دهنده راه‌اندازی کنید، از جمله نوت‌بوک‌های Jupyter و Google Colab * مدل‌های PyTorch خود را تجسم و بهینه کنید. با استفاده از تکنیک هایی مانند نمودارهای مدل، منحنی های آموزشی، داده های تصویر، جاسازی متن و بسیاری موارد دیگر

سرفصل ها و درس ها

مقدمه ای بر TensorBoard Introduction to TensorBoard

  • بررسی اجمالی دوره Course Overview

  • TensorBoard چیست و چگونه از قدرت آن استفاده کنیم What Is TensorBoard and How Do We Leverage Its Power

  • اجرای TensorBoard با PyTorch Running TensorBoard with PyTorch

  • اجرای TensorBoard در نوت بوک های Jupyter و Google Colab Running TensorBoard on Jupyter Notebooks and Google Colab

اولین مدل PyTorch شما با TensorBoard Your First PyTorch Model with TensorBoard

  • مثال رگرسیون ساده Simple Regression Example

  • تجسم نمودار مدل شما Visualizing Your Model Graph

  • آموزش و تجسم باخت با استفاده از TensorBoard Training and Visualizing Loss Using TensorBoard

  • تجسم خلاصه داده ها و هیستوگرام ها Visualizing Data Summaries and Histograms

  • تجسم سایر انواع داده ها Visualizing Other Data Types

طبقه بندی تصویر و توسعه مدل Image Classification and Model Development

  • مثال عملی: طبقه بندی تصویر Hands-On Example: Image Classification

  • شناسایی و رفع خطاها با تجسم نمودار مدل Detect and Fix Errors with Model Graph Visualizations

  • تجسم از دست دادن آموزش و سایر معیارها Visualize Training Loss and Other Metrics

  • تجسم داده های تصویری Visualize Image Data

  • نمایش ماتریس سردرگمی با استفاده از TensorBoard Display Confusion Matrix Using TensorBoard

تجسم NLP و آزمایش مدل NLP Visualization and Model Experimentation

  • مثال عملی: NLP Hands-On Example: NLP

  • تجسم داده های متنی Visualizing Text Data

  • تجسم جاسازی کلمه با استفاده از پروژکتور TensorBoard Visualizing Word Embedding Using TensorBoard Projector

  • تجسم نمودار مدل - RNN Visualizing Model Graph – RNN

  • تنظیم فراپارامتر Hyperparameter Tuning

  • ویژگی ها و محدودیت های پیشرفته Advanced Features and Limitations

بررسی تجسم ها و مدل های خود Reviewing Your Visualizations and Models

  • بررسی تجسم ها Visualizations Review

  • بررسی توسعه مدل Model Development Review

  • کار بعدی چیه؟ What to do Next?

نمایش نظرات

Hands-On TensorBoard برای توسعه دهندگان PyTorch [ویدئو]
جزییات دوره
2 h 13 m
23
Packtpub Packtpub
(آخرین آپدیت)
1
1 از 5
ندارد
دارد
دارد
Joe Papa
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Joe Papa Joe Papa

جو پاپا دارای MSEE و بیش از 23 سال تجربه در زمینه تحقیق و توسعه مهندسی است. او تیم‌های هوش مصنوعی را رهبری کرده و مدل‌های یادگیری عمیق را در Booz Allen و Perspecta Labs توسعه داده است. جو همچنین بنیانگذار Mentorship.ai است و صدها دانشمند داده را در زمینه یادگیری ماشینی، یادگیری عمیق و هوش مصنوعی راهنمایی کرده است. او بیش از 6000 دانش آموز را در Udemy در دوره های برنامه نویسی مانند MATLAB آموزش داده است.