In diesem Modul lernen Sie, wie Sie Lines zur Klassifizierung von Daten verwenden und die Funktionsweise der Softmax-Funktion verstehen. Das Modul behandelt auch die argmax-Funktion und ihre Verwendung. Sie werden ein benutzerdefiniertes Modul für Softmax mit dem nn.module-Paket in PyTorch erstellen und einen Softmax-Klassifikator verwenden, um ein Modell für die Durchführung von Klassifizierungen zu erstellen. Sie werden das Gelernte in Übungen anwenden und Ihre Konzepte in Quizfragen testen.

In diesem Modul erstellen Sie ein neuronales Netz mit einer versteckten Schicht mit nn.Module und nn.Sequential. Sie lernen, wie man ein neuronales Netzwerkmodell trainiert und wie Neuronen ein Modell verbessern können. Das Modell erklärt auch, wie man Netzwerke mit mehrdimensionalen Eingaben in PyTorch konstruiert. Darüber hinaus werden Sie sich mit Overfitting und Underfitting, neuronalen Netzen mit mehreren Klassen, Backpropagation und verschwindendem Gradienten beschäftigen. Schließlich werden Sie Sigmoid-, Tanh- und Relu-Aktivierungsfunktionen in Pytorch implementieren. Sie werden das Gelernte in Übungen anwenden und Ihre Konzepte in Quizfragen testen.

Dieses Modul bietet einen Überblick über tiefe neuronale Netze in Pytorch. Sie werden lernen, tiefe neuronale Netze in Pytorch mit Hilfe der nn-Modul-Liste zu implementieren. Das Modul umfasst Konzepte wie Dropout, Schichten und Gewichte. Es wird auch das Problem der nicht korrekten Initialisierung der Gewichte in einem neuronalen Netzwerkmodell erörtert und wie man es beheben kann. Das Modul wird auch verschiedene Initialisierungsmethoden in Pytorch, Gradientenabstieg und Batch-Normalisierung untersuchen. Sie werden das Gelernte in Laborübungen anwenden und Ihre Konzepte in Quizfragen testen.

Dieses Modul beschreibt die Faltung und wie die Größe der Aktivierungskarte bestimmt wird. Das Modul behandelt auch Aktivierungsfunktionen und MAX-Pooling. Darüber hinaus wird die Faltung mit mehreren Eingangs- und Ausgangskanälen behandelt. Es fasst den Convolutional Neural Network Constructor, den Forward Step und das Training in PyTorch zusammen. Sie lernen Konzepte wie Grafikprozessoren (GPUs), CUDA, Residual Network und Resnet18 kennen. Sie werden das Gelernte in Laborübungen anwenden und Ihre Konzepte in Quizfragen testen.

In diesem Modul werden Sie ein Abschlussprojekt erstellen und einreichen, um Ihre in den vorangegangenen Modulen erworbenen Fähigkeiten zu demonstrieren. Ihre Arbeit wird entweder durch die KI-bewertete Option oder die Peer-to-Peer-bewertete Option bewertet, je nachdem, welche Einreichungsmethode Sie wählen.