آموزش معماری مدل‌های سفارشی یادگیری عمیق - آخرین آپدیت

شروع کنید: آشنایی و بررسی مهارت‌ها Start Here: Get Oriented and Check Your Skills

وظیفه شغلی ۱: مبانی طراحی و پیاده‌سازی شبکه عصبی Job Task 1: Foundations of Neural Network Design and Implementation

• ساخت یک شبکه عصبی و تجسم مسیر پیشرو (Forward Pass) Building a Neural Network and Visualizing the Forward Pass

• تعریف یک پرسپترون چندلایه با nn.Module و nn.Sequential Defining a Multi-Layer Perceptron with nn.Module and nn.Sequential

• اجرای مسیر پیشرو و بررسی ظرفیت مدل Running a Forward Pass and Exploring Model Capacity

• خوش‌آمدگویی به یادگیری عمیق با PyTorch: چه چیزی خواهید ساخت و چرا اهمیت دارد Welcome to Deep Learning with PyTorch: What You'll Build and Why It Matters

• ساخت مسیر پیشرو پرسپترون در PyTorch Building the Perceptron Forward Pass in PyTorch

• آموزش پرسپترون با قانون یادگیری پرسپترون Training the Perceptron with the Perceptron Learning Rule

• شروع کار با تنسورها در PyTorch Getting Started with Tensors in PyTorch

• ساخت حلقه آموزش برای یک شبکه عصبی Building the Training Loop for a Neural Network

وظیفه شغلی ۲: ساخت معماری‌های تخصصی یادگیری عمیق Job Task 2: Build Specialized Deep Learning Architectures

• چرا شبکه‌های عصبی کانولوشنال (CNN) برای تصاویر بسیار موثر هستند Why Convolutional Neural Networks Work So Well for Images

• کانولوشن و نقشه‌های ویژگی (Feature Maps) — بلوک‌های سازنده CNNها Convolution and Feature Maps — The Building Blocks of CNNs

• پولینگ، پدینگ و ReLU — درک تحولات CNN Pooling, Padding, and ReLU — Understanding CNN Transformations

• تعریف لایه‌های کانولوشنال یک CNN Defining the Convolutional Layers of a CNN

• افزودن لایه‌های تمام متصل (Fully Connected) و خلاصه مدل Adding Fully Connected Layers and Model Summary

• چرا یادگیری عمیق برای داده‌های متوالی قدرتمند است Why Deep Learning is Powerful for Sequential Data

• نحوه پردازش داده‌های متوالی توسط RNNها: مفاهیم و جریان ورودی How RNNs Process Sequential Data: Concepts and Input Flow

• شبکه RNN در سطح کاراکتر و تکامل حالت پنهان Character-Level RNN and Hidden State Evolution

• شروع کار با LSTMها در PyTorch Getting Started with LSTMs in PyTorch

• اجرای توالی‌ها و مقایسه LSTM در مقابل GRU Running Sequences and Comparing LSTM vs. GRU

• تولید متن با LSTMها در PyTorch Text Generation with LSTMs in PyTorch

• برازش و تجسم یک مدل مولد Fitting and Visualizing a Generative Model

• از GANها تا مدل‌های اتورگرسیو: کار عملی با مبانی مدل‌های مولد From GANs to Autoregressive Models: Hands-On with Generative Basics

وظیفه شغلی ۳: آموزش و بهینه‌سازی مدل‌های سفارشی Job Task 3: Train and Optimize Custom Models

• آموزش مدل‌های عمیق فقط به معنای لایه‌های بیشتر نیست Training Deep Models Isn't Just About More Layers

• به‌کارگیری Dropout برای جلوگیری از بیش‌برازش (Overfitting) Applying Dropout to Prevent Overfitting

• استفاده از منظم‌سازی L2 با کاهش وزن (Weight Decay) Using L2 Regularization with Weight Decay

• انتخاب و تغییر بهینه‌سازها (Optimizers) در PyTorch Choosing and Switching Optimizers in PyTorch

• بهبود پایداری: Gradient Clipping و زمان‌بندی نرخ یادگیری Improving Stability: Gradient Clipping and Learning Rate Scheduling

جمع‌بندی: بررسی دستاوردهای مهارتی و انتخاب مسیر بعدی Wrap Up: Review Your Skill Achievement and Choose Your Next Path