国外课栈 - 国外电子信息技术视频教程、电子书和博文栈
使用PyTorch进行机器学习
使用PyTorch进行机器学习
类别 : 视频教程
格式 : MP4
订阅须知  订阅
概述

使用PyTorch进行机器学习

本课程从机器和深度学习的基本概念开始。随后,您将对PyTorch的主要功能有一定的了解,并了解如何将其应用于一些常见的问题领域。

涵盖内容:

  • 应用各种机器和深度学习技术
  • 了解各种机器库和深度学习库之间的区别
  • 创建分类器
  • 增强现有分类器

课程描述

第1课:什么是机器学习?什么是深度学习

第一课从课程的高层次概述开始。然后介绍了机器学习中的一般概念以及与神经网络和深度学习特别相关的概念。讨论了每个数据科学家都应该理解的想法。提供了可用于机器学习以及专门用于深度学习的主要库,以期与PyTorch进行比较。本课程概述了神经网络中的基本概念。还讨论了感知器的基本概念,以及在过去十年中出现的具有硬件的简单模型的巨大扩展。本课研究了神经网络中可用的主要网络层类型。还讨论了激活功能。最后,本课程以衡量指标在指导改进机器学习模型方面的重要性作为结尾。还讨论了一些最常用的度量标准,以及有时需要使用自定义域特定的度量标准。

第2课:比较多个库

本课程的第二课比较了几个不同的软件库,并展示了PyTorch的特定原理和编程风格。第一个库是scikit-learn,使用多项式特征工程,随机森林分类和递归特征消除。第二个库是TensorFlow及其Keras接口。我们尝试重新创建类似于scikit-learn库的功能和功能。我们检查的最终库是PyTorch,在其中我们创建了一个与Tensorflow建立的神经网络相同的神经网络,主要目的是研究这两个流行的深度学习库之间的哲学和API差异。我们首先使用PyTorch对图像进行分类。

第3课:了解PyTorch

本课程的第三课探讨了PyTorch的基本抽象:Tensor的概念,以及在修改tensor后执行自动微分的能力。本课程将检查PyTorch tensor与NumPy或其他矢量化数字库中的数组之间的相似性。它还介绍了PyTorch提供的两个关键功能:表达渐变功能历史的自动渐变;并且易于定位GPU。接下来的课程将建立一个低级神经网络,然后转向使用torch.nn实现一个神经网络。我们还将利用我们的简单神经网络来解释这个机会,以说明在微调网络层中输入偏差的重要性。

第4课:网络任务

本课程的第四课在其子课程中介绍了几种不同类型的网络或其他模型,因此是最深入的课程。第一个子课程解决了David在日常工作中遇到的一个问题:根据一些有关购物者的基本调查数据,为服装尺寸提供建议。在许多方面,此问题是一个非常“经典”的机器学习问题,试图将少量功能与少量输出类进行匹配。然后,课程转向图像分类,利用卷积和池化层来预测常用图像数据集中的目标标签。创建的网络具有中等复杂度,但是在通过图像所包含的对象对图像进行分类方面比较成功。下一个,通过将问题重新定义为回归问题而不是分类问题,可以对同一问题使用回归预测,以进行更有效的预测。然后介绍了使用PyTorch进行群集。这是与神经网络的短暂区别,它满足了机器学习和数据科学中的另一个常见需求。我们使用PyTorch及其底层矢量化和GPU目标张量运算实现k-means算法。深度学习中的“热门”主题之一是下一代对抗网络(GAN)。David在严格来讲是无监督的框架中创建了类似于监督学习的东西。这是通过让两个神经网络(一个“生成器”和一个“鉴别器”)相互竞争以分别创建和检测伪造来实现的。最后,神经网络被应用于其使用的另一个有价值的领域-自然语言处理。与本课中的其他示例一样,创建的网络相对简单。但是,简单的网络正确地利用了递归层来将句子中的语音部分分类,甚至具有同音异义和词汇歧义的部分。

第5课:增强图像分类器

本课程的第五个也是最后一个课程介绍了深度神经网络的一项重要功能:转移学习。可以将训练有素的复杂模型几乎视为一个软件库,以便在其上开发新功能。David利用一个庞大且经过培训的网络作为功能部件工程的复杂工具。使用他人已经完成的工作,并且仅进行相对较小的额外计算,David就能创建一个网络,根据原始训练数据集中不存在的新颖标签对图像进行准确分类。

总目录(6时)

第1课:什么是机器学习?什么是深度学习?

学习目标

1.1全面理解课程

1.2描述机器学习中使用的技术

1.3描述机器学习中使用的库

1.4理解“深度学习”与其他ML技术之间的区别

1.5使用ML

1.6了解网络层的类型和激活功能

1.7了解指标

第2课:比较多个库

学习目标

2.1在scikit-learn中执行任务

2.2在Keras中执行任务(使用TensorFlow)

2.3在PyTorch中执行任务

2.4使用PyTorch对图像进行分类

第3课:了解PyTorch

学习目标

3.1使用tensor,autograd和NumPy接口

3.2建立低级神经网络

3.3使用torch.nn实现神经网络

3.4了解偏差的重要性

3.5识别其他torch工具

第4课:使用网络的任务

学习目标

4.1创建一个简单的特征分类器-第1部分

4.2创建一个简单的特征分类器-第2部分

4.3创建图像分类器

4.4利用回归预测

4.5使用PyTorch进行聚类

4.6使用生成对抗网络-第1部分

4.7使用生成对抗网络-第2部分

4.8使用语音标记器的一部分

第5课:增强图像分类器的

学习目标

5.1从torchvision.models开始

5.2重新训练预训练的模型

5.3修改网络层

Machine Learning,PyTorch


使用PyTorch进行机器学习.jpg

会员登录
登录
我的资料
留言
回到顶部