Introduction au deep learning avec PyTorch

Voitures autonomes, smartphones, moteurs de recherche... Le deep learning est désormais omniprésent. Avant de commencer à construire des modèles complexes, vous vous familiariserez avec PyTorch, un framework de deep learning. Vous apprendrez à manipuler les tenseurs, à créer des structures de données PyTorch et à construire votre premier réseau neuronal dans PyTorch.

Pour entraîner un réseau neuronal dans PyTorch, vous devez d'abord comprendre le rôle d'une fonction de perte. Vous comprendrez alors que pour entraîner 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 neuronal et nous apprendrons à les modifier.

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