دوره آموزشی یادگیری JAX

جزئیات دوره

در این دوره، مربی Janani Ravi 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

0. مقدمه

01 - پیش نیازها
02 - JAX چیست
03 - چرا از JAX استفاده کنید
04 - انتخاب JAX
05 - JAX در مقابل TensorFlow در مقابل PyTorch
06 - راه اندازی با Colab

1. کار با آرایه های JAX

07 - آرایه های JAX
08 - آرایه های JAX و آرایه های NumPy - شباهت ها
09 - آرایه های JAX و آرایه های NumPy - تفاوت ها
10 - سرعت ارسال ناهمزمان و آرایه JAX افزایش می یابد

2. تالیف Just-in-Time

11 - تبدیل تابع قابل ترکیب
12 - JIT و توابع خالص
13 - استفاده از JIT
14 - اشیاء ردیاب در JIT
15 - توابع ناخالص و جریان های JIT - IO
16 - توابع ناخالص و JIT - حالت جهانی
17 - توابع ناخالص و JIT - تکرار کننده ها
18 - Jaxprs
19 - بیانیه های جریان و JIT را کنترل کنید
20 - آرگومان های ایستا در توابع جیت شده
21 - Lambdas و JIT

3. بردارسازی خودکار و موازی سازی خودکار

22 - درک برداری و موازی سازی
23 - برداری خودکار
24 - مقایسه بچینگ ساده و دستی با برداری خودکار

4. محاسبه گرادیان

25 - درک محاسبات گرادیان
26 - محاسبه گرادیان
27 - گرادیان مرتبه بالاتر
28 - یعقوبیان و هسیان

5. انجام تبدیل بر روی pytrees

29 - درک pytrees
30 - pytrees ساده
31 - عملیات روی pytrees
32 - ظروف Pytree
33 - ظروف سفارشی به عنوان pytrees

6. آموزش شبکه های عصبی ساده

34 - رگرسیون با استفاده از یک نورون - بارگذاری و پیش پردازش داده ها
35 - رگرسیون با استفاده از یک نورون - توابع کمک کننده
36 - رگرسیون با استفاده از یک نورون - آموزش و ارزیابی مدل
37 - رگرسیون با استفاده از شبکه عصبی - توابع کمک کننده
38 - رگرسیون با استفاده از شبکه عصبی - آموزش مدل و تجسم نتایج
39 - طبقه بندی با استفاده از شبکه عصبی - بارگذاری و پیش پردازش داده ها
40 - طبقه بندی با استفاده از شبکه عصبی - مدل آموزشی و ارزیابی

نتیجه

41 - خلاصه و مراحل بعدی