دوره آموزشی یادگیری انتقال تصاویر با استفاده از یادگیری جامع PyTorch

جزئیات دوره

PyTorch پس از معرفی خود در سال 2017 به سرعت به ابزار انتخابی بسیاری از محققان یادگیری عمیق تبدیل شد. در این دوره، جاناتان فرناندز به شما نشان می‌دهد که چگونه از این چارچوب یادگیری ماشینی محبوب برای تکنیکی مشابه استفاده کنید: یادگیری انتقال. جاناتان با استفاده از یک رویکرد عملی، اصول یادگیری انتقالی را توضیح می‌دهد، که به شما امکان می‌دهد از پارامترهای از پیش آموزش‌دیده‌شده یک مدل یادگیری عمیق موجود برای کارهای دیگر استفاده کنید. سپس نحوه پیاده‌سازی یادگیری انتقال برای تصاویر را با استفاده از PyTorch نشان می‌دهد، از جمله نحوه ایجاد یک استخراج کننده ویژگی ثابت و فریز کردن لایه‌های شبکه عصبی. به علاوه، در مورد استفاده از نرخ های یادگیری و نرخ های یادگیری متفاوت اطلاعات کسب کنید.

اهداف یادگیری
یادگیری انتقالی چیست؟
با استفاده از autograd
ایجاد یک استخراج کننده ویژگی ثابت
آموزش استخراج کننده
تنظیم دقیق ConvNet
نرخ یادگیری و نرخ یادگیری افتراقی

سرفصل ها

0. مقدمه

01 - خوش آمدید
02 - آنچه باید قبل از تماشای این دوره بدانید

1. یادگیری انتقالی چیست؟

03 - یادگیری انتقالی چیست
04 - VGG16
05 - مجموعه داده CIFAR-10

2. آموزش انتقال - استخراج کننده ویژگی ثابت

06 - ایجاد یک استخراج کننده ویژگی ثابت
07 - درک ضرر - CrossEntropyLoss() و NLLLoss()
08 - اتوگراد
09 - استفاده از autograd
10 - آموزش استخراج کننده ویژگی های ثابت
11 - بهینه سازها
12 - CPU به GPU
13 - استخراج کننده را آموزش دهید
14 - شبکه و مشاهده تصاویر را ارزیابی کنید
15 - مشاهده تصاویر و نرمال سازی
16 - دقت مدل

3. تنظیم دقیق ConvNet

17 - تنظیم دقیق
18 - استفاده از تنظیم دقیق
19 - آموزش از شبکه کاملا متصل به بعد
20 - باز کردن انجماد و آموزش در آخرین بلوک CNN به بعد
21 - یخ زدایی و آموزش در دو بلوک آخر CNN به بعد

4. تکنیک های بیشتر

22 - میزان یادگیری
23 - نرخ های یادگیری متفاوت

نتیجه

24 - مراحل بعدی

دوره آموزشی یادگیری انتقال تصاویر با استفاده از یادگیری جامع PyTorch

مدرسین

Jonathan Fernandes