Introduction à l'apprentissage profond avec PyTorch

Voitures autonomes, smartphones, moteurs de recherche... L'apprentissage en profondeur est désormais omniprésent. Avant de commencer à construire des modèles complexes, vous vous familiariserez avec PyTorch, un cadre d'apprentissage profond. Vous apprendrez à manipuler les tenseurs, à créer des structures de données PyTorch et à construire votre premier réseau neuronal dans PyTorch.

Pour former un réseau neuronal dans PyTorch, vous devez d'abord comprendre le rôle d'une fonction de perte. Vous comprendrez alors que pour former un réseau, il faut minimiser cette fonction de perte, ce qui se fait en calculant les gradients. Vous apprendrez à utiliser ces gradients pour mettre à jour les paramètres de votre modèle et, enfin, vous écrirez votre première boucle d'apprentissage.

Les hyperparamètres sont des paramètres, souvent choisis par l'utilisateur, qui contrôlent l'apprentissage du modèle. Le type de fonction d'activation, le nombre de couches du modèle et le taux d'apprentissage sont autant d'hyperparamètres de l'apprentissage des réseaux neuronaux. Ensemble, nous découvrirons les hyperparamètres les plus critiques d'un réseau de neurones et comment les modifier.

Le cursus d'un modèle de deep learning est un art, et pour s'assurer que notre modèle est formé correctement, nous devons suivre certaines métriques pendant l'entraînement, comme la perte ou la précision. Nous apprendrons à calculer ces mesures et à réduire l'ajustement excessif à l'aide d'un ensemble de données d'images.