Pytorch Knowledge

Руководство по обучению Pytorch

Большинство рабочих процессов машинного обучения включают обработку данных, создание моделей, оптимизацию параметров модели и сохранение обученной модели. Это руководство знакомит вас с полным рабочим процессом машинного обучения, реализованным в PyTorch, и предоставляет ссылки для получения дополнительной информации о каждой концепции.

В этом руководстве будут рассмотрены базовые знания в области машинного обучения и глубокого обучения, охватывающие回归分类问题и многие известные базовые структуры глубокого обучения, такие как CNN , RNN , fastai и т. д.

Официальный каталог учебных пособий Facebook будет использовать набор данных FashionMNIST для обучения нейронной сети, которая предсказывает, принадлежит ли входное изображение к одной из следующих категорий: T 恤/上衣,裤子,套头衫,连衣裙,外套,凉鞋,衬衫,运动鞋,包, или脚踝.

Практический каталог глубокого обучения Pytorch начнется с простейших задач линейной регрессии и постепенно перейдет к сложным моделям глубокого обучения.

В этом руководстве предполагается, что вы имеете базовые знания Python и концепций глубокого обучения. Документ (официальное руководство Facebook) переведен с официального сайта Pytorch.

Запустите учебный код

Вы можете запустить это руководство несколькими способами:

• в облаке
• Локальный: для этого варианта необходимо сначала настроить PyTorch и TorchVision на локальном компьютере (инструкции по установке). Скопируйте код в вашу любимую IDE.

Официальный каталог учебных пособий Facebook

1. Тензоры
2. Наборы данных и загрузчики данных
3. Преобразует

Практический справочник по глубокому обучению Pytorch

1. Задачи линейной и нелинейной регрессии
2. проблема логистической регрессии
3. CNN в действии: распознавание рукописных шрифтов
4. Трансферное обучение: использование AlexNet для классификации кошек и собак
5. Практика RNN: использование LSTM для прогнозирования функций
6. Практика GAN: используйте GAN для создания аватаров сиба-ину