Einführung in Deep Learning mit PyTorch

Selbstfahrende Autos, Smartphones, Suchmaschinen... Deep Learning ist mittlerweile überall. Bevor du mit der Erstellung komplexer Modelle beginnst, wirst du dich mit PyTorch, einem Deep-Learning-Framework, vertraut machen. Du lernst, wie du Tensoren manipulierst, PyTorch-Datenstrukturen erstellst und dein erstes neuronales Netz in PyTorch aufbaust.

Um ein neuronales Netz in PyTorch zu trainieren, musst du zunächst verstehen, was eine Verlustfunktion ist. Du wirst dann feststellen, dass das Training eines Netzes die Minimierung dieser Verlustfunktion erfordert, was durch die Berechnung von Gradienten geschieht. Du lernst, wie du diese Gradienten nutzt, um die Parameter deines Modells zu aktualisieren, und schließlich wirst du deine erste Trainingsschleife schreiben.

Hyperparameter sind Parameter, die oft vom Nutzer gewählt werden und das Modelltraining steuern. Die Art der Aktivierungsfunktion, die Anzahl der Schichten im Modell und die Lernrate sind allesamt Hyperparameter beim Training neuronaler Netze. Gemeinsam werden wir die wichtigsten Hyperparameter eines neuronalen Netzes entdecken und herausfinden, wie man sie verändern kann.

Ein Deep-Learning-Modell zu trainieren ist eine Kunst. Um sicherzustellen, dass unser Modell richtig trainiert wird, müssen wir während des Trainings bestimmte Metriken wie den Verlust oder die Genauigkeit im Auge behalten. Wir werden am Beispiel eines Bilddatensatzes lernen, wie man solche Metriken berechnet und die Überanpassung reduziert.