In diesem Modul lernen Sie die Softmax-Regression für die Mehrklassen-Klassifikation kennen und untersuchen, wie Softmax Modellwerte in Klassenwahrscheinlichkeiten umwandelt und wie argmax die Auswahl von Vorhersagen unterstützt. Sie üben die Erstellung von Softmax-Klassifikatoren in PyTorch und gehen schrittweise durch durchgängige Klassifizierungsworkflows. Außerdem werden Sie Softmax-basierte Modelle mit PyTorch nn.Module-Mustern implementieren. Schließlich erkunden Sie die Rolle von Aktivierungsfunktionen in neuronalen Netzen und lernen, wie man Sigmoid-, Tanh- und ReLU-Aktivierungsfunktionen in PyTorch implementiert.

In diesem Modul werden Sie flache neuronale Netze mit PyTorch-Modellmustern wie nn.Module und nn.Sequential aufbauen und trainieren. Sie werden mit versteckten Schichten, Vorwärtspass-Berechnungen und Aktivierungsfunktionen arbeiten, um zu sehen, wie Netzwerke nicht-lineare Entscheidungsgrenzen bilden. Sie werden auch Netzwerke für mehrdimensionale Eingaben und Klassifizierungsaufgaben mit mehreren Klassen konstruieren. Das Modul ermöglicht die Untersuchung, wie die Anzahl der versteckten Neuronen die Modellkapazität und das Trainingsverhalten beeinflusst. Schließlich erforschen Sie Backpropagation, Gradientenfluss, verschwindende Gradienten und die Auswirkungen von Überanpassung und Unteranpassung, während Sie flache Netzwerkarchitekturen konfigurieren und anpassen.

In diesem Modul werden Sie tiefe neuronale Netze mit geschichteten PyTorch-Architekturen und flexiblen Modellmustern wie nn.ModuleList konstruieren. Sie konfigurieren mehrschichtige Netze mit unterschiedlichen Aktivierungsfunktionen und Schichtgrößen, um zu untersuchen, wie Tiefe und Struktur das Trainingsverhalten beeinflussen. Darüber hinaus werden Sie Techniken wie Dropout, Gewichtsinitialisierungsmethoden, impulsbasierte Optimierung und Stapelnormalisierung anwenden, um das Training zu stabilisieren und zu beschleunigen. Schließlich werden Sie untersuchen, wie die Wahl der Initialisierung und der Normalisierungsschichten den Gradientenfluss und die Konvergenz in tieferen Modellen beeinflusst.

In diesem Modul werden Sie neuronale Faltungsnetzwerke für die Bildklassifizierung mit PyTorch CNN-Komponenten erstellen. Sie wenden Faltungsoperationen, Stride, Padding, Aktivierungskarten und Pooling-Schichten an, um zu verstehen, wie räumliche Merkmale erkannt und über Schichten hinweg reduziert werden. Außerdem werden Sie CNN-Architekturen zusammenstellen und den Konstruktor, den Forward Pass und den Trainingsworkflow in PyTorch durchlaufen. Sie werden auch lernen, mit GPU- und CUDA-Ausführungsmustern zu arbeiten und untersuchen, wie die Hardwarebeschleunigung das CNN-Training unterstützt. Schließlich werden Sie Konzepte für Restnetzwerke, vortrainierte Modelle wie ResNet18 mit TorchVision und Transfer-Learning-Muster, die in modernen CNN-Pipelines verwendet werden, erkunden.

In diesem Modul führen Sie ein angeleitetes Abschlussprojekt durch, das sich mit der Klassifizierung von Faltungsneuronalen Netzen in PyTorch beschäftigt. Sie erstellen, konfigurieren und trainieren ein CNN mit einem strukturierten Datensatz-Workflow und wenden Modell-Setup, Forward-Pass und Trainingsmuster an. Sie durchlaufen die Schritte des Projektentwurfs, der Modellschulung und der Evaluierung, während Sie Ihre Lösung zusammenstellen.