مطالب پیشنهادی از سراسر وب

تسریع یادگیری عمیق با یادگیری انتقال: PyTorch Playbook

دسته بندی ها: آموزش پای تورچ (PyTorch) ، آموزش یادگیری عمیق (Deep Learning) ، آموزش پایتون (Python) ، آموزش های پلورال سایت (Pluralsight) ، آموزش هوش مصنوعی (AI)

یادگیری انتقال، به استفاده مجدد از یک مدل یادگیری ماشین آموزش دیده برای یک مشکل مشابه اشاره می کند، معماری مدل را بدون تغییر نگه می دارد، اما وزن های مدل را به طور بالقوه تغییر می دهد.
شما در این دوره، توانایی شناسایی رویکرد صحیح یادگیری انتقال و پیاده سازی آن با استفاده از PyTorch را به دست می آورید.
ابتدا یاد خواهید گرفت که چگونه می توان اشکال مختلف یادگیری انتقال - مانند یادگیری انتقال استقرایی، انتقالی و بدون نظارت - را در ترکیبات مختلف دامنه منبع و هدف اعمال کرد. سپس، خواهید فهمید که چگونه راهکارهای یادگیری از این واقعیت استفاده می کنند  در حالیکه لایه های پایین مدل های از قبل آموزش دیده، معمولاً اطلاعات ویژگی ها را استخراج می کنند و مخصوص داده ها هستند، در حالی که لایه های بعدی بیشتر خاص مسئله هستند.
در پایان، نحوه طراحی و پیاده سازی استراتژی صحیح برای ثابت نگه داشتن و تنظیم دقیق لایه های مناسب مدل از قبل آموزش دیده را بررسی خواهید کرد. با مشاهده نحوه در دسترس بودن معماری های قدرتمند مختلف، به صورت از قبل آموزش دیده، در مجموعه راهکارهای یادگیری انتقال PyTorch، دوره را تکمیل می کنید.
پس از پایان این دوره، مهارت ها و دانش لازم برای انتخاب روش یادگیری انتقال مناسب برای مشکل خاص خود و طراحی و پیاده سازی آن با استفاده از PyTorch را خواهید داشت.

بررسی دوره

فایل های تمرین exercise files.zip
آیا این نوشته را دوست داشتید؟
Pluralsight Expediting Deep Learning with Transfer Learning: PyTorch Playbook Author:Janani Ravi Duration:1:46:02 Level:Advanced

Transfer learning refers to the re-use of a trained machine learning model for a similar problem, keeping the model architecture unchanged, but potentially altering the model’s weights.
In this course, Expediting Deep Learning with Transfer Learning: PyTorch Playbook, you will gain the ability to identify the right approach to transfer learning, and implement it using PyTorch.
First, you will learn how different forms of transfer learning - such as inductive, transductive, and unsupervised transfer learning - can be applied to different combinations of source and target domains. Next, you will discover how transfer learning solutions leverage the fact that lower layers of pre-trained models typically extract feature information and are data-specific, while later layers tend to be more problem-specific.
Finally, you will explore how to design and implement the correct strategy for freezing and fine-tuning the appropriate layers of your pre-trained model. You will round out the course by seeing how various powerful architectures are made available, in pre-trained form, in PyTorch’s suite of transfer learning solutions.
When you’re finished with this course, you will have the skills and knowledge to choose the right transfer learning approach to your specific problem, and design and implement it using PyTorch.

پیشنهاد آموزش مرتبط در فرادرس