مطالب پیشنهادی از سراسر وب
آموزش طبقه بندی تصویر با PyTorch
شاید پیشگام ترین پیشرفت در یادگیری های ماشینی ناشی از بکارگیری یادگیری ماشینی در مشکلات طبقه بندی می باشد. در این دوره، آموزش طبقه بندی تصویر با PyTorch؛ شما توانایی طراحی و پیاده سازی طبقه بندی های تصویر با استفاده از PyTorch که به دلیل انعطاف پذیری، سهولت کاربرد و پشتیبانی داخلی برای سخت افزار بهینه شده مانند GPUs، به عنوان یک گزینه محبوب در ساخت مدل های یادگیری عمیق به سرعت در حال ظهور است را کسب خواهید کرد.
در ابتدا، قابلیت نمایش دهی تصاویر به صورت تنسورهای 4D و سپس نحوه پیش پردازش آن برای بیشترین بهره وری از الگوریتم های ML را یاد خواهید گرفت. سپس، نحوه پیاده سازی طبقه بندی تصویر با استفاده از شبکه های عصبی متراکم (Dense Neural Networks) را کشف خواهید کرد. در ادامه، با استفاده از شبکه های عصبی پیچشی (Convolutional Neural Networks) مشکلات مرتبط را درک و بر آنها غلبه خواهید کرد.
در پایان، شما با درک و استفاده از قدرتمندترین و محبوب ترین معماری های CNN مانند DenseNet ،AlexNet ،VGG و سایر موارد و همچنین بکارگیری پشتیبانی PyTorch برای یادگیری انتقال (TL)، دوره را جمع بندی خواهید کرد. با اتمام این دوره، شما دانش و مهارت های لازم برای طراحی و پیاده سازی راه حل های مؤثر و قدرتمند در طبقه بندی تصویر با بکارگیری طیف وسیعی از معماری های شبکه عصبی در PyTorch را کسب خواهید کرد.
بررسی اجمالی دوره
- 2m
پیش پردازش تصاویر برای استفاده در مدل های یادگیری ماشینی
- 1m
- 2m
- 5m
- 6m
- 5m
- 7m
- 5m
- 5m
- 3m
- 3m
- 6m
- 1m
درک معایب استفاده از شبکه های عصبی عمیق با تصاویر
معرفی شبکه های عصبی پیچشی
- 1m
- 2m
- 4m
- 7m
- 3m
- 3m
- 8m
- 1m
ساخت شبکه های عصبی پیچشی (CNN) برای طبقه بندی تصویر
بهینه سازی طبقه بندی تصویر با تنظیم Hyperparameter
اجرای طبقه بندی تصویر با مدل های آموزش دیده
Perhaps the most ground-breaking advances in machine learnings have come from applying machine learning to classification problems. In this course, Image Classification with PyTorch, you will gain the ability to design and implement image classifications using PyTorch, which 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. First, you will learn how images can be represented as 4-D tensors and then pre-processed to get the best out of ML algorithms. Next, you will discover how to implement image classification using Dense Neural Networks; you will then understand and overcome the associated pitfalls using Convolutional Neural Networks (CNNs). Finally, you will round out the course by understanding and using the most powerful and popular CNN architectures such as VGG, AlexNet, DenseNet and so on, and leveraging PyTorch’s support for transfer learning. When you’re finished with this course, you will have the skills and knowledge to design and implement efficient and powerful image classification solutions using a range of neural network architectures in PyTorch.
پیشنهاد آموزش مرتبط در فرادرس