Introdução ao Aprendizado Profundo com o PyTorch

Carros autônomos, smartphones, mecanismos de pesquisa... O aprendizado profundo agora está em toda parte. Antes de começar a criar modelos complexos, você vai conhecer melhor o PyTorch, uma estrutura de aprendizado profundo. Você aprenderá a manipular tensores, criar estruturas de dados do PyTorch e criar sua primeira rede neural no PyTorch.

Para treinar uma rede neural no PyTorch, primeiro você precisa entender para que serve uma função de perda. Você vai perceber que o treinamento de uma rede requer a minimização dessa função de perda, o que é feito por meio do cálculo de gradientes. Você vai aprender a usar esses gradientes para atualizar os parâmetros do seu modelo e, por fim, escrever seu primeiro loop de treinamento.

Os hiperparâmetros são parâmetros, geralmente escolhidos pelo usuário, que controlam o treinamento do modelo. O tipo de função de ativação, o número de camadas do modelo e a taxa de aprendizado são todos hiperparâmetros do treinamento da rede neural. Juntos, vamos descobrir os hiperparâmetros mais importantes de uma rede neural e como modificá-los.

Treinar um modelo de aprendizado profundo é uma arte e, para garantir que o modelo seja treinado corretamente, precisamos acompanhar determinadas métricas durante o treinamento, como a perda ou a precisão. Você vai aprender a calcular essas métricas e a reduzir o sobreajuste usando um conjunto de dados de imagens como exemplo.