[Udemy] Helen Kapatsa - Ускоренный курс PyTorch (2021)

SLIVATOR Оффлайн

SLIVATOR

Без бороды и бубна
Команда форума
Регистрация
18 Апр 2017
Reaction score
25,731
RUB
36,947
[Udemy] Helen Kapatsa - Ускоренный курс PyTorch (2021)
2021-08-10_18-28-44

Чему вы научитесь

  • Основы Машинного и Глубокого обучения
Требования
  • Middle-навыки Python
Описание
В этом уроке мы узнаем, как работать с PyTorch. Это одна из самых популярных сред машинного и глубокого обучения. С ним действительно интересно работать и разрабатывать крутые приложения. Итак, я надеюсь, что вы посмотрите это введение и узнаете все о необходимых основах для этого фреймворка.

Здесь Вы познакомитесь со следующими концепциями:
  • Установка, проверка фреймворка
  • Тензоры и базовые операции с ними (сложение, вычитание, умножение, деление). В этом видео мы узнаем, как работать с тензорами, как создавать их и осуществлять некоторые базовые операции. Мы также узнаем, как преобразовать массивы NumPy в тензоры PyTorch и наоборот.
  • Вычисление градиента с помощью Autograd и его оптимизация. Сегодня мы узнаем о пакете Autograd в PyTorch и о том, как с его помощью вычислять градиенты. Вы наверняка помните, что в моделях кластеризации, логистической и линейной регрессиях можно уточнять границы кластеров, формы кривых и положение прямой. Градиент может делать все это, оптимизируя модели.
  • Обратное распространение ошибки. В этом видео я постараюсь объяснить знаменитый алгоритм Backpropagation.
  • Градиентный спуск с Autograd. В этом уроке я покажу вам конкретный пример оптимизации модели с автоматическим вычислением градиента Autograd. Мы начнем с реализации алгоритма линейной регрессии, где каждый шаг выполним вручную. Создадим прогнозирующее уравнение и функцию потерь. Затем выполним вычисление градиентов и реализуем алгоритм градиентного спуска для оптимизации наших параметров. Когда завершим эти вычисления, то увидим, как можем заменить вычисленные вручную градиенты.
  • Пайплайн: автоматизация обучения и оптимизации модели. Заменим вычисленные вручную потери и обновления параметров, используя соответствующие классы PyTorch. Мы также заменим прогнозирование модели вручную, после чего библиотека сможет выполнить за нас весь пайплайн – набор действий, включающий построение модели и ее оптимизацию.
  • Пакетное обучение: классы Dataset и DataLoader, встроенные датасеты, подгрузка данных из файлов, раскладывание эпох обучения на партии (batches)
Курс вдохновлен материалами Патрика Лебера и продолжит пополняться вплоть до конца 2021 г.
Технологии: PyTorch (backward, Dataset, DataLoader, math, nn, optim, utils), NumPy, TensorBoard

Для кого этот курс:
  • Дата-сайентисты, ML-инженеры
ПРОДАЖНИК
Для просмотра содержимого вам необходимо авторизоваться.
Для просмотра содержимого вам необходимо авторизоваться.
 

Пользователи, которые просматривали тему (Всего: 0)

Тема долгое время не просматривалась.

Поделиться страницей

Сверху