Dans ce module, vous explorerez la régression Softmax pour la classification multi-classes et examinerez comment Softmax convertit les scores des modèles en probabilités de classe et comment argmax prend en charge la sélection des prédictions. Vous vous entraînerez à construire des classificateurs Softmax dans PyTorch et parcourrez les flux de travail de classification de bout en bout. En outre, vous mettrez en œuvre des modèles basés sur Softmax en utilisant les modèles PyTorch nn.Module. Enfin, vous explorerez le rôle des fonctions d'activation dans les réseaux neuronaux et apprendrez à mettre en œuvre les fonctions d'activation Sigmoïde, Tanh et ReLU dans PyTorch.

Dans ce module, vous construirez et formerez des réseaux neuronaux peu profonds à l'aide des modèles PyTorch tels que nn.Module et nn.Sequential. Vous travaillerez avec des couches cachées, des calculs de passe avant et des fonctions d'activation pour voir comment les réseaux forment des limites de décision non linéaires. Vous construirez également des réseaux pour des entrées multidimensionnelles et des tâches de classification multiclasse. Le module permet d'examiner comment le nombre de neurones cachés affecte la capacité du modèle et le comportement de l'apprentissage. Enfin, vous explorerez la rétropropagation, le flux de gradient, les gradients évanescents et les effets de l'ajustement excessif et insuffisant en configurant et en ajustant les architectures de réseaux peu profonds.

Dans ce module, vous construirez des réseaux neuronaux profonds à l'aide d'architectures PyTorch en couches et de modèles flexibles tels que nn.ModuleList. Vous configurerez des réseaux multicouches avec différentes fonctions d'activation et tailles de couche pour examiner comment la profondeur et la structure affectent le comportement de formation. En outre, vous appliquerez des techniques telles que l'abandon, les méthodes d'initialisation des poids, l'optimisation basée sur l'élan et la normalisation des lots afin de stabiliser et d'accélérer l'apprentissage. Enfin, vous explorerez la manière dont les choix d'initialisation et les couches de normalisation influencent le flux de gradient et la convergence dans les modèles plus profonds.

Dans ce module, vous construirez des réseaux neuronaux convolutifs pour la classification d'images en utilisant les composants CNN de PyTorch. Vous appliquerez les opérations de convolution, le stride, le padding, les cartes d'activation et les couches de pooling pour comprendre comment les caractéristiques spatiales sont détectées et réduites à travers les couches. En outre, vous assemblerez des architectures CNN et passerez en revue le constructeur, la passe avant et le flux de travail d'entraînement dans PyTorch. Vous apprendrez également à travailler avec les modèles d'exécution GPU et CUDA et examinerez comment l'accélération matérielle prend en charge l'entraînement CNN. Enfin, vous explorerez les concepts de réseaux résiduels, les modèles pré-entraînés tels que ResNet18 avec TorchVision, et les modèles d'apprentissage par transfert utilisés dans les pipelines CNN modernes.

Dans ce module, vous réaliserez un projet final guidé axé sur la classification des réseaux de neurones convolutifs dans PyTorch. Vous construirez, configurerez et formerez un CNN à l'aide d'un flux de données structuré et appliquerez la configuration du modèle, la passe avant et les modèles de formation. Vous passerez par les étapes de conception du projet, d'entraînement du modèle et d'évaluation au fur et à mesure que vous assemblerez votre solution.