تبلیغات

اصول PyTorch

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

PyTorch به دلیل انعطاف پذیری، سهولت استفاده و پشتیبانی داخلی برای سخت افزارهای بهینه شده مانند GPU، به سرعت به عنوان یک انتخاب محبوب برای ساختن مدل‌های یادگیری عمیق در حال ظهور است. با استفاده از PyTorch، می توانید مدل‌های یادگیری عمیق پیچیده بسازید، در حالی که هنوز از پشتیبانی بومی پایتون برای اشکال زدایی و تجسم استفاده می کنید.

در این دوره، اصول PyTorch، شما توانایی استفاده از PyTorch برای پشتیبانی گراف‌های محاسباتی دینامیک و مقایسه مقابل آن با سایر فریم ورک‌های محبوب مانند TensorFlow را کسب خواهید کرد.

ابتدا، داخل نورون‌ها و شبکه‌های عصبی را می آموزید و می بینید که چگونه توابع فعال سازی، تحولات وابستگی (affine) و لایه‌ها در یک مدل یادگیری عمیق جمع می شوند.
در مرحله بعد، شما چگونگی آموزش چنین مدلی را می یابید، یعنی چگونه بهترین مقادیر پارامترهای مدل را تخمین بزنید.

سپس خواهید دید که چگونه بهینه سازی تدریجی نزولی به صورت هوشمندانه برای بهینه سازی این فرآیند انجام شده است. انواع مختلفی از تمایزات که می تواند در این فرآیند استفاده شود و نحوه استفاده PyTorch از Autograd برای پیاده سازی حالت برعکس auto-differentiation را درک خواهید کرد. شما با سازه‌های مختلف PyTorch مانند Tenender ،Variables و Gradients کار خواهید کرد.

در نهایت، نحوه ساخت گراف‌های محاسباتی دینامیک را در PyTorch را کشف خواهید کرد. شما می توانید این دوره را با تقابل با رویکردهای استفاده شده در TensorFlow، یکی دیگر از چارچوب‌های یادگیری عمیق پیشرو که قبلاً فقط گراف‌های محاسباتی استاتیک ارائه می شد، تکمیل کنید اما اخیراً پشتیبانی از گراف‌های محاسباتی دینامیک به آن اضافه شده است.

پس از اتمام این دوره، شما مهارت و دانش لازم برای حرکت به سمت ساختن مدل‌های یادگیری عمیق در PyTorch و بهره گیری از نمودار گراف‌های محاسباتی پویا را خواهید داشت.

بررسی دوره

آیا این نوشته را دوست داشتید؟
Foundations of PyTorch Publisher:Pluralsight Author:Janani Ravi Duration:2h 51m Level:Beginner

PyTorch is fast emerging as a popular choice for building deep learning models owing to its flexibility, ease-of-use and built-in support for optimized hardware such as GPUs. Using PyTorch, you can build complex deep learning models, while still using Python-native support for debugging and visualization.
In this course, Foundations of PyTorch, you will gain the ability to leverage PyTorch support for dynamic computation graphs, and contrast that with other popular frameworks such as TensorFlow.
First, you will learn the internals of neurons and neural networks, and see how activation functions, affine transformations, and layers come together inside a deep learning model. Next, you will discover how such a model is trained, that is, how the best values of model parameters are estimated.
You will then see how gradient descent optimization is smartly implemented to optimize this process. You will understand the different types of differentiation that could be used in this process, and how PyTorch uses Autograd to implement reverse-mode auto-differentiation. You will work with different PyTorch constructs such as Tensors, Variables, and Gradients.
Finally, you will explore how to build dynamic computation graphs in PyTorch. You will round out the course by contrasting this with the approaches used in TensorFlow, another leading deep learning framework which previously offered only static computation graphs, but has recently added support for dynamic computation graphs.
When you’re finished with this course, you will have the skills and knowledge to move on to building deep learning models in PyTorch and harness the power of dynamic computation graphs.

پیشنهاد فرادرس