En iyi giriş! PyTorch derin öğrenme ücretsiz kursu (kaynaklarla birlikte)
Kaynak: Xinzhiyuan
Bu makale toplam 1600 kelimedir, okumanız tavsiye edilir 6 dakika.
Parçalı zamanlı öğrenmeye uygun sinir ağı programlama ve PyTorch üzerine bir kurs önerin.
Bu makale sinir ağı programlama ve PyTorch üzerine ücretsiz bir kurs önermektedir. PyTorch ile sinir ağlarının nasıl kurulacağını tanıtır ve sıfırdan sinir ağları yazmaya çok yakındır. Her ders zengin öğrenme ve proje kaynakları sağlar.
Deeplizard web sitesi, sinir ağı programlama ve PyTorch üzerine bir dizi ücretsiz kurs başlattı. PyTorch, bir Python derin öğrenme çerçevesidir. Bir kez piyasaya sürüldüğünde, hemen geniş bir ilgi gördü ve araştırma alanında hızla popüler oldu. Tensorflow'u yakalayacak ivmeye sahip.
Bu dersler nispeten kısa ve odaklıdır ve parçalı zamanda öğrenmek için çok uygundur. Bu kurs dizisi aracılığıyla, PyTorch ile bir sinir ağının nasıl kurulacağını öğrenecek ve sıfırdan bir sinir ağı yazmaya çok yakınız . Bu, sinir ağları ve derin öğrenme hakkında daha derin bir anlayışa sahip olmamıza yardımcı olacaktır.
Kurs her iki günde bir bölüm yayınlar. Şu anda yayınlanan içerik şunları içerir:
- PyTorch Ön Koşul Gereksinimleri-Sinir Ağı Programlama Serisi Ders Planı
- PyTorch'un açıklaması-Python derin öğrenme sinir ağı API'si
- PyTorch kurulumu - hızlı ve kolay
- CUDA'nın açıklaması-derin öğrenmenin neden GPU kullanıyor?
- Derin öğrenmenin tensör açıklaması-veri yapısı
- Derece, Eksen ve Şekil Açıklaması - derin öğrenmenin bir uzantısı
- CNN tensör şekli-evrişimli sinir ağının açıklaması ve özellik haritalaması
İlk derse bakalım- Derin öğrenme uygulaması için PyTorch'u kullanmanın ön koşulları nelerdir?
https://v.qq.com/iframe/preview.html?width=500height=375auto=0vid=w07068pl1m8
İki ana nokta var:
- Programlama deneyimi
- Sinir ağı deneyimi
Bu sinir ağı programlama kursları serisi, Python ve PyTorch kullanarak sinir ağları yazmaya odaklanacak.
Önceden Python bilmenize gerek yok. Ancak, genel programlamayı anlamanız gerekir. Programlama deneyimi olan veya değişkenler, nesneler ve döngüler gibi kavramları anlayan herkes bu kurs serisine katılabilir.
Sinir ağı deneyimiBu eğitim dizisinde, Python için derin öğrenme sinir ağı API'si olan PyTorch'u kullanacağız.
Programlama bakış açısından, sıfırdan bir sinir ağını programlamaya çok yakın olacağız. Bu nedenle, sinir ağlarının ve derin öğrenmenin temel ilkelerini anlamak şüphesiz faydalıdır. Bu gerekli bir gereklilik değildir, ancak önce derin öğrenmenin temellerini öğrenmeniz önerilir.
Sinir Ağı Programlama Kurs KataloğuBölüm 1: PyTorch ve Tensörler
- Bölüm 1: PyTorch'a Giriş
- PyTorch-Python Derin Öğrenme Sinir Ağı API'si
- PyTorch kurulumu-PyTorch'u hızlı ve kolay bir şekilde kurun
- CUDA-neden derin öğrenmede GPU kullanılır?
- Bölüm 2: Tensörler
- Derin öğrenme için tensörler-veri yapısı
- Derece, Eksenler ve Şekil - derin öğrenmenin bir uzantısı
- PyTorch Tensörleri-Sinir Ağı Programlama
- PyTorch Tensörleri oluşturun - en iyi seçim
- PyTorchTensors-Yeniden Şekillendirme işlemi
- PyTorch Tensörleri-Element-Bilge İşlemler
- PyTorch Tensörler-İndirgeme ve Erişim işlemleri
Bölüm 2: Sinir Ağları ve Derin Öğrenme için PyTorch'u Kullanın
- Bölüm 1: Veri ve veri işleme
- Fashion MNIST-makine öğrenimi veri kümesi
- Veri kümesi ve veri yükleyicili PyTorch torchvision-ETL
- Makine öğrenimi için PyTorch veri kümesi ve veri yükleyici
- Bölüm 2: Sinir Ağları ve Derin Öğrenme
- Bir sinir ağı oluşturmak için PyTorch'u kullanın
- PyTorch'daki CNN katmanının öznitelik parametreleri
- PyTorch'ta CNN ileriye doğru yayılmasının uygulanması
- İleri yayılım - tek bir görüntüyü sinir ağına geçirme
- Sinir ağı toplu işleme - toplu görüntü aktarma
- Evrişimli sinir ağı tensör dönüşümü
- Bölüm 3: Sinir ağını eğitme
- Evrişimli sinir ağlarını eğitmek için PyTorch'u kullanın
- CNN sonuçlarını analiz etmek için karışıklık matrisi kullanın
Sinir ağı programlama serisinin ilk bölümü 2 bölümden oluşmaktadır.
İlk bölüm PyTorch ve işlevlerini tanıtacak ve ilk olarak PyTorch'un neden kullanılması gerektiğini açıklayacaktır. Ek olarak, Nvidia GPU'da paralel hesaplama için bir yazılım platformu olan CUDA tanıtılacak. Derin öğrenmenin neden öncelikle GPU kullandığına dair sorularınız varsa, CUDA bölümü bu ayrıntıları tanıtacaktır!
İkinci bölüm, derin öğrenmenin veri yapısı olan Tensor ile ilgilidir. Tensörleri anlamak, derin öğrenme uzmanı olmak için çok önemlidir, bu nedenle bu bölüm onları ayrıntılı olarak tanıtacaktır.
Tabii ki PyTorch'u kullanacağız, ancak bu bölümde öğrendiğimiz kavramlar ve işlemler sinir ağlarını anlamak için gereklidir ve herhangi bir derin öğrenme çerçevesine uygulanabilir.
Sinir Ağı Programlama: Bölüm 2Sinir ağı programlama serisinin ikinci bölümü, öğrencilerin ilk derin öğrenme projesini oluşturmaya başlamasına yol açacak.
İkinci bölüm üç bölümden oluşmaktadır.
İlk bölüm, derin öğrenme için veri ve veri işlemeyi kapsayacak Ve bunların derin öğrenme projenizle nasıl bağlantılı olduğu. Tensörler, derin öğrenme için veri yapıları olduğu için, tensörler hakkında ilk kısımdan öğrendiğimiz tüm bilgileri kullanacağız. Görüntü sınıflandırması için evrişimli bir sinir ağı oluşturmak için kullanılacak Fashion-MNIST veri kümesini tanıtacağız.
Veri ön işleme ve eğitim sürecini basitleştirmek için PyTorch veri setini ve veri yükleyiciyi nasıl kullanacağımızı öğreneceğiz.
İkinci bölümün ikinci bölümü tamamen sinir ağları oluşturmakla ilgili. Sıfırdan bir sinir ağı oluşturmaya çok yakın olan evrişimli bir sinir ağı oluşturmak için PyTorch'u kullanacağız. Bu bölüm aynı zamanda derin öğrenme temelleri dizisinde en sık kullanılan yerdir çünkü birçok kavramın gerçekleştirilmesini kapsar.
Üçüncü bölüm, bir eğitim döngüsü oluşturarak bir sinir ağının nasıl eğitileceğini gösterecektir. Veri setimize uyması için ağın ağırlığını optimize edin. Eğitim döngüsü gerçek Python döngüleri kullanılarak oluşturulur.
Proje Önizlemesi: CNN'i eğitmek için PyTorch'u kullanın
İlk projemiz aşağıdaki bileşenleri içerecek:
- Python içe aktarmaları
- Veri: PyTorch Dataset ve DataLoader sınıflarını kullanan ETL
- Model: Evrişimli Sinir Ağı
- Eğitim: eğitim döngüsü
- Analiz: karışıklık matrisi kullanın
Bu kurs serisinin sonunda, bu projeyi tam olarak anlayacak ve derin öğrenme ve sinir ağları hakkında daha derin bir anlayışa sahip olacağız.
