Building Deep Learning Models Using PyTorch
Building Deep Learning Models Using PyTorch
MP4 | Video: AVC 1280x720 | Audio: AAC 44KHz 2ch | Duration: 3 Hours 18M | 979 MB
Genre: eLearning | Language: English
PyTorch является открытым исходным кодом глубокого обучения, первоначально разработанная команд AI в Facebook. PyTorch предлагает высокоуровневые API, которые облегчают создание нейронных сетей и большая поддержка распределенного обучения и прогнозирования
PyTorch является открытым исходным кодом, глубокой концепцией обучения, которая является популярной альтернативой TensorFlow и Apache MXNet. Апис PyTorch следовать питон-родной подход, который, наряду с динамическим выполнением графика, сделать его интуитивно понятным для работы с для Python-разработчиков и ученых данных. В этом, конечно, строить глубокие модели обучения с использованием PyTorch, вы научитесь работать с PyTorch и все библиотеки, которые она может предложить, от первых принципов, начиная с тензорами Факел, динамические графики, вычисления, а Автоград библиотеки, для вычисления градиентов. Вы начинаете с понимания основ обучения нейронной сети, вперед и назад проходит, и вычисление градиента. Вы будете использовать эти концепции для построения простых нейронных сетей для прогнозирования цен на автомобиль, а также кто выжил и кто не успел на "Титаник". Далее мы перейдем к классификации изображений с использованием сверточных нейронных сетей; вы будете изучать роль сверточных и объединение слоев и базовая структура CNN, то вы будете строить CNN, чтобы классифицировать изображения с Cifar-10 наборов данных. Вы также увидите, как можно использовать возможности перевода обучающегося с помощью предварительно обученной модели для классификации изображения. Наконец, вы сможете работать с рекуррентной нейронной сети для данных последовательности, видя, как динамических вычислений выполнение графика в PyTorch делает дом RNNs очень просто. Вы будете использовать RNNs с длинными ячеек памяти, чтобы предсказать пол ребенка имена. По окончании этого курса, вам будет удобно, используя PyTorch библиотек и API, чтобы использовать предварительно обученных моделей, которые PyTorch предложения, а также создавать свои собственные модели для вашего конкретного случая использования.
DOWNLOAD
turbobit