A Pytorch az egyik legismertebb és legnagyszerűbb keretrendszer neurális hálók tanítására. Ezt a rendszert kezdjük megismerni ezzel a tanfolyammal. 

Kézzel írt számjegyeket fogunk felismerni az MNIST dataset segítségével. Látni fogjuk, hogy a képek pixeleit Tensor formátummá kell alakítanunk, hogy használni tudjuk a hálózatunkban. Figyelni kell a méretekre és a típusra is! A Tensorok közeli rokonai a Numpy arraynek - ami arról híres, hogy C-ben van implementálva. Annyira, hogy megelégszenek ugyan azzal a memóriával is, azaz amikor egy Tensorból Numpy array lesz, a háttérben nem is történik tényleges másolás, csak egy másik pointer fog arra címre mutatni.

 Létrehozzuk első saját "fully connected" kétrétegű neurális hálózatunkat és végig vesszük a betanítás lépéseit. A végén meg kiszámoljuk a pontosságát a teszt adatok segítségével.

  • Szükséges előismeretek!

    A tanfolyam épít a korábbi deep learning és mesterséges intelligencia tanfolyamokra, különösen a 8. számúra.

  • Kinek ajánljuk?

    Akik saját, egyedi hálózatokat szeretnének készíteni és tanítani a jövőben és ehhez hajlandóak megtanulni egy haladóbb keretrendszert.

  • Mit tanulsz meg?

    Hogyan lehet hálózatokat definiálni és tanítani Pytorchban.

Témakörök

  1. 1
    • 1. Pytorch telepítése

    • 2. MNIST datasettel saját hálózatot tanítunk

    • 3. Kétrétegű hálózatot hozunk létre

    • 4. MNIST letöltése

    • 5. Megnézzük a képeket a datasetből matplotlibbel

    • 6. Hogyan lesz ebből predikció?

    • 7. A kimenet valószínűséggé alakítása

    • 8. SoftMax valószínűségre

    • 9. Loss function

    • 10. CrossEntropy loss

    • 11. Gradient descent

    • 12. CrossEntropy pytorchban

    • 13. Stochastic gradient descent(SGD)

    • 14. Trainloader, segít csoportosan betölteni a képeket

    • 15. Transform a képekre

    • 16. Trainloader felboncolása

    • 17. Hálózat tanítása

    • 18. Kép méretezése

    • 19. Zerograd, paraméterek nullzása

    • 20. Loss kiiratása

    • 21. Testdataset letöltése

    • 22. Accuracy kiszámolása

    • 23. Prediction avagy inference

    • 24. Accuracy, tensorból numpy array és azon a mean()

    • 25. Hyperparameters

    • 26. Hyperparameter tuning, manualseed

    • Project letöltése

Oktató

AI expert

Péter Litkei

Engem már teljesen besszipantott a mesterséges intelligencia, pontosabban a deep learning világa. 2012-től kezdődően a legtöbb szolgáltatás használ valamiféle neurális hálót, - kép és beszédfelismerők, google translate, önvezető autók és mire te ezt olvasod valószínűleg a barátod/barátnőd is :) - a jövő egyértelműen ez.