Leçon 3-Apprentissage approfondi pour les programmeurs (2020)

Remarque : Nous vous recommandons de regarder ces vidéos via plutôt que directement sur YouTube pour accéder à des transcriptions consultables, des cahiers interactifs, des guides de configuration, des questionnaires, etc. Aujourd’hui, nous avons terminé la création et le déploiement de notre propre application. Nous discutons de l’augmentation des données et examinons les types d’augmentation les plus importants utilisés dans les modèles de vision par ordinateur modernes. Nous voyons également comment fastai peut vous aider à traiter vos images et à les préparer pour votre modèle. Nous envisageons de créer des interfaces graphiques pour les applications interactives dans les ordinateurs portables et les applications Web autonomes. Nous discutons de la façon de déployer une application Web qui contient un modèle d’apprentissage en profondeur. Dans ce processus, nous examinerons les avantages et les inconvénients de différentes méthodes, telles que le déploiement sur serveur et le déploiement d’appareils de périphérie. Le dernier domaine de notre production consiste à étudier les problèmes possibles et comment les éviter, et à faire fonctionner efficacement vos produits de données dans la pratique. Ensuite, nous passons au chapitre 4 de ce livre pour en savoir plus sur les mathématiques de base et le code de la descente de gradient stochastique, qui est au cœur de la formation des réseaux neuronaux. 0:00-Révision de la leçon 2 + étape suivante 1:08-Utilisez DataBlock pour ajuster la taille de l’image 8:46-Amélioration des données et item_tfms et batch_tfms 12:28-Entraînez le modèle et utilisez-le pour nettoyer les données 18:07-Tournez votre Transformez le modèle en une application en ligne 36:12-Déployer sur téléphone mobile 38:13-Comment éviter la catastrophe 50:59-Conséquences imprévues et boucle de rétroaction 57:20-Chapitre 2 Fin de la revue + Blog 1:04:09- Démarrer MNIST à partir de zéro 1:06:58-untar_data et explication du chemin 1:10:57-Explorer les données MNIST 1:12:05-Tableau NumPy et PyTorch Tensor 1:16:00-Créer un modèle de base simple 1:28 : 38 -Utiliser le tableau et le tenseur 1:30:50-Utiliser la diffusion pour calculer l’indicateur 1:39:46-Descente de gradient stochastique (SGD) 1:54:40-Exemple de descente de gradient de bout en bout 2: 01:56-MNIST fonction de perte 2 :04:40-Révision de la leçon 3.