|
所在平台: Udemy |
课程主页: https://www.udemy.com/course/introduction-au-framework-pytorch/
课程评论：没有评论
**课程名称：PyTorch 框架导论** **课程概述：** 本课程旨在通过实践和直观的方式，深入讲解 PyTorch 框架的工作原理。我们将超越 API 的简单使用，帮助您真正理解其底层机制，从而更有信心地在机器学习和可微分编程领域继续深造。 课程分为三个部分： * **第一部分：从零开始构建可微分编程框架** * 我们将用 Python 从零开始实现一个与 PyTorch 非常相似的可微分编程框架。 * 这将帮助您理解 PyTorch、TensorFlow、JAX 等框架的运作方式。 * 随后，我们将聚焦 PyTorch，学习基础的张量（Tensor）操作、梯度计算以及 GPU 的使用。 * **第二部分：梯度下降算法与优化** * 我们将重点讲解梯度下降算法，这是训练神经网络的关键。 * 通过实现一个弹道问题模拟器，了解如何利用 PyTorch 解决优化问题。此教学问题可轻松扩展至现实应用，如流体力学模拟。 * 还将学习如何使用优化器，以及如何结合学习率调度器（planners）来提高效率。 * **第三部分：神经网络应用** * 我们将构建神经网络来解决实际问题。 * 首先，通过多层感知机（MLP）解决一个分类问题。 * 接着，使用卷积神经网络（CNN）进行相同的分类任务。 * 最后，我们将实现一个长短期记忆网络（LSTM），对真实股票市场数据进行预测。您将会看到，仅用几行代码就能取得令人惊叹的结果。 如果您对以上内容感兴趣，请立即开始学习！
Dans ce cours, je vais vous expliquer de manière pratique et intuitive comment fonctionne le framework PyTorch. Nous irons donc au-delà de l'utilisation de l'API ce qui vous permettra de comprendre concrètement ce qui s'y passe et vous permettra de continuer votre parcours dans le machine learning et/ou la programmation différentiable avec plus de confiance. Ce cours est divisé en trois parties.Dans la première partie, nous implémenterons (en Python, à partir de zéros) notre propre framework de programmation différentiable, qui sera très semblable à PyTorch. Cela vous permettra de comprendre le fonctionnement de PyTorch, TensorFlow, JAX, etc. Ensuite, nous nous recentrerons sur PyTorch et verrons les opérations tensorielles de base, le calcul de gradients et l'utilisation de carte graphiques (GPUs).Dans la deuxième partie, nous nous focaliserons sur les algorithmes de descente de gradients (essentiels pour l'entraînement de réseaux de neurones). Nous implémenterons le simulateur d'un problème balistique et verrons comment utiliser la puissance de PyTorch pour résoudre un problème d'optimisation (ce problème pédagogique pourra être facilement étendu à un problème réel, comme des simulations de mécanique des fluides, pour ceux qui le souhaitent). Nous verrons aussi comment utiliser les optimiseurs et comment les combiner avec des planificateurs pour qu'ils soient d'autant plus efficace.Finalement, nous attaquerons les réseaux de neurones. Nous résoudrons un problème de classification, d'abord avec un MLP, et ensuite avec un CNN. Le dernier module de ce cours consistera à implémenter un LSTM afin de prédire le cours de la bourse sur des données réelles. Nous verrons qu'avec à peine quelques lignes de code, des résultats bluffant peuvent être atteints.Si ce programme vous enchante, n'attendez plus!
