آموزش جامع یادگیری عمیق با PyTorch - آخرین آپدیت

مقدمه‌ای بر یادگیری عمیق و شبکه‌های عصبی Introduction to Deep Learning & Neural Networks

• خوش‌آمدگویی به دوره 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 یک شبکه عصبی و بصری‌سازی مسیر انتشار پیش‌رو Building a Neural Network and Visualizing the Forward Pass

• بصری‌سازی مسیر انتشار پس‌رو و جریان گرادینت با Autograd Visualizing the Backward Pass and Gradient Flow with Autograd

• پیاده‌سازی انتشار پیش‌رو پرسپترون در PyTorch Building the Perceptron Forward Pass in PyTorch

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

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

• تغییر شکل تنسورها و استفاده از GPU در PyTorch Reshaping Tensors and Using GPUs in PyTorch

• استفاده از متد backward و تفسیر گرادینت‌ها Using .backward() and Interpreting Gradients

• کنترل انتشار پس‌روی گرادینت‌ها Controlling Back Propagation of Gradients

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

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

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

• ارزیابی عملکرد مدل و رسم نمودارهای نتایج Evaluating Model Performance and Plotting Results

شبکه‌های عصبی کانولوشنی (CNNs) Convolutional Neural Networks (CNNs)

• چرا شبکه‌های عصبی کانولوشنی برای تصاویر بسیار مؤثر هستند Why Convolutional Neural Networks Work So Well for Images

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

• پولینگ، پدینگ و ReLU - درک تغییرات در CNN Pooling, Padding, and ReLU — Understanding CNN Transformations

• تعریف لایه‌های کانولوشنی در یک CNN Defining the Convolutional Layers of a CNN

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

• آموزش یک CNN روی مجموعه داده MNIST Training a CNN on MNIST

• ارزیابی CNN و بصری‌سازی پیش‌بینی‌ها Evaluating the CNN and Visualizing Predictions

• بارگذاری و شخصی‌سازی یک CNN پیش‌آموزش‌دیده برای یادگیری انتقالی Loading and Customizing a Pre-Trained CNN for Transfer Learning

• آموزش و ارزیابی یک CNN تنظیم‌شده (Fine-Tuned) Training and Evaluating a Fine-Tuned CNN

شبکه‌های عصبی بازگشتی (RNNs) و LSTMها Recurrent Neural Networks (RNNs) & LSTMs

• 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 وضعیت 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 استفاده از LSTMها در PyTorch Text Generation with LSTMs in PyTorch

• تحلیل احساسات با استفاده از ترنسفورمرهای Hugging Face Sentiment Analysis with Hugging Face Transformers

بهینه‌سازی مدل و تکنیک‌های آموزش Model Optimization & Training Techniques

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

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

• استفاده از منظم‌سازی L2 با Weight Decay Using L2 Regularization with Weight Decay

• پیاده‌سازی مقداردهی اولیه سفارشی وزن‌ها در PyTorch Applying Custom Weight Initialization in PyTorch

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

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

• آموزش سریع‌تر: دقت ترکیبی با torch.cuda.amp Training Faster: Mixed Precision with torch.cuda.amp