آموزش یادگیری JAX

Learning JAX

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره:
در این دوره، مربی جانانی راوی به شما نگاهی عمیق به JAX می‌دهد، یک کتابخانه آزمایشی جدید پایتون که برای کارایی بالا، محاسبات علمی و یادگیری ماشین طراحی شده است. جانانی شما را از تمام جنبه های JAX و توانایی های آن می برد، از جمله: کامپایل به موقع. بردارسازی خودکار و موازی سازی خودکار؛ شیب محاسباتی؛ انجام دگرگونی ها بر روی pytrees. آموزش شبکه های عصبی ساده و بیشتر.

سرفصل ها و درس ها

مقدمه Introduction

  • پیش نیازها Prerequisites

  • JAX چیست؟ What is JAX?

  • چرا از JAX استفاده کنیم؟ Why use JAX?

  • انتخاب JAX Choosing JAX

  • JAX در مقابل TensorFlow در مقابل PyTorch JAX vs. TensorFlow vs. PyTorch

  • راه اندازی با Colab Getting set up with Colab

  • امتحان فصل Chapter Quiz

1. کار با آرایه های JAX 1. Working with JAX Arrays

  • آرایه های JAX JAX arrays

  • آرایه های JAX و آرایه های NumPy: شباهت ها JAX arrays and NumPy arrays: Similarities

  • آرایه های JAX و آرایه های NumPy: تفاوت ها JAX arrays and NumPy arrays: Differences

  • سرعت ارسال ناهمزمان و آرایه JAX افزایش می یابد Asynchronous dispatch and JAX array speed up

  • امتحان فصل Chapter Quiz

2. تالیف Just-in-Time 2. Just-in-Time Compilation

  • تبدیل تابع قابل ترکیب Composable function transformations

  • JIT و توابع خالص JIT and pure functions

  • با استفاده از JIT Using JIT

  • اشیاء ردیاب در JIT Tracer objects in JIT

  • توابع ناخالص و JIT: جریان های ورودی/خروجی Impure functions and JIT: I/O streams

  • توابع ناخالص و JIT: حالت جهانی Impure functions and JIT: Global state

  • توابع ناخالص و JIT: تکرار کننده ها Impure functions and JIT: Iterators

  • Jaxprs Jaxprs

  • کنترل بیانیه های جریان و JIT Control flow statements and JIT

  • آرگومان های ایستا در توابع جیت شده Static arguments in jitted functions

  • Lambdas و JIT Lambdas and JIT

  • امتحان فصل Chapter Quiz

3. بردارسازی خودکار و موازی سازی خودکار 3. Automatic Vectorization and Automatic Parallelization

  • درک برداری و موازی سازی Understanding vectorization and parallelization

  • بردارسازی خودکار Automatic vectorization

  • مقایسه دسته بندی ساده و دستی با برداری خودکار Comparing naive and manual batching with automatic vectorization

  • امتحان فصل Chapter Quiz

4. محاسبه گرادیان 4. Computing Gradients

  • درک محاسبات گرادیان Understanding gradient computation

  • محاسبه گرادیان Gradient computation

  • شیب مرتبه بالاتر Higher order gradients

  • یعقوبیان و هسی ها Jacobians and Hessians

5. انجام تبدیل بر روی pytrees 5. Performing Transformations on pytrees

  • درک pytrees Understanding pytrees

  • pytrees ساده Simple pytrees

  • عملیات روی pytrees Operations on pytrees

  • ظروف Pytree Pytree containers

  • ظروف سفارشی به عنوان pytrees Custom containers as pytrees

  • امتحان فصل Chapter Quiz

6. آموزش شبکه های عصبی ساده 6. Training Simple Neural Networks

  • رگرسیون با استفاده از یک نورون واحد: بارگذاری و پیش پردازش داده ها Regression using a single neuron: Loading and preprocessing data

  • رگرسیون با استفاده از یک نورون واحد: توابع کمک کننده Regression using a single neuron: Helper functions

  • رگرسیون با استفاده از یک نورون واحد: آموزش و ارزیابی یک مدل Regression using a single neuron: Training and evaluating a model

  • رگرسیون با استفاده از شبکه عصبی: توابع کمکی Regression using a neural network: Helper functions

  • رگرسیون با استفاده از شبکه عصبی: آموزش یک مدل و تجسم نتایج Regression using a neural network: Training a model and visualizing results

  • طبقه بندی با استفاده از شبکه عصبی: بارگذاری و پیش پردازش داده ها Classification using neural network: Loading and preprocessing data

  • طبقه بندی با استفاده از شبکه عصبی: مدل آموزش و ارزیابی Classification using neural network: Training and evaluating model

نتیجه Conclusion

  • خلاصه و مراحل بعدی Summary and next steps

نمایش نظرات

آموزش یادگیری JAX
جزییات دوره
2h 23m
46
Linkedin (لینکدین) Linkedin (لینکدین)
(آخرین آپدیت)
-
- 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.