Introduktion
De flesta arbetsflöden för maskininlärning handlar om att arbeta med data, skapa modeller, använda hyperparametrar för att optimera modeller, spara och sedan härleda de tränade modellerna. I den här modulen får du en introduktion till ett fullständigt arbetsflöde för maskininlärning (ML) som implementeras i PyTorch, ett populärt ML-ramverk för Python.
Vi använder FashionMNIST-datauppsättningen för att träna en neural nätverksmodell som känner igen bilder som: T-shirt/top, Pants, Pullover, Dress, Coat, Sandal, Shirt, Sneaker, Bag eller Ankle boot.
Innan vi börjar skapa modellen visar vi de viktigaste begreppen för att skapa neurala nätverksmodeller.
Utbildningsmål
I den här modulen gör du följande:
- Lär dig hur du använder Tensors med processorer och GPU:er
- Förstå hur du hanterar, skalar och normaliserar dina datauppsättningar
- Skapa en bildigenkänningsmodell med hjälp av ett neuralt nätverk
- Lär dig hur du optimerar en modell
- Lär dig hur du förbättrar prestanda för modellinferens
Förutsättningar
- Grundläggande Python-kunskaper
- Grundläggande kunskaper om hur du använder Jupyter Notebooks