Sariți la conținutul principal

Curs

Introducere în Deep Learning cu PyTorch

IntermediarNivel de competențe

Actualizat 01.2026

Învață cum să-ți construiești prima rețea neuronală, să ajustezi hiperparametrii și să abordezi probleme de clasificare și regresie în PyTorch.

Începe cursul gratuit

PyTorchArtificial Intelligence

4 h

16 videoclipuri

49 Exerciții

3,900 XP

85,848

Certificat de realizare

Îndrăgit de cursanți din mii de companii

Formare pentru o echipă?

Încearcă pentru afaceri

Descrierea cursului

Înțelegerea puterii Deep Learning

Deep learning este peste tot: în camerele smartphone-urilor, asistenții vocali și mașinile autonome. A ajutat chiar și la descoperirea structurilor proteinelor și la învingerea oamenilor în jocul Go. Descoperă această tehnologie puternică și învață cum să o valorifici folosind PyTorch, una dintre cele mai populare biblioteci de deep learning.

Antrenează-ți prima rețea neuronală

Mai întâi, abordează diferența dintre deep learning și machine learning „clasic”. Veți învăța despre procesul de antrenare al unei rețele neuronale și cum să scrieți o buclă de antrenare. Pentru a face acest lucru, vei crea funcții de pierdere pentru probleme de regresie și clasificare și vei folosi PyTorch pentru a calcula derivatele acestora.

Evaluează și îmbunătățește-ți modelul

În a doua jumătate, învață despre diferiții hiperparametri pe care îi poți ajusta pentru a-ți îmbunătăți modelul. După ce vei învăța despre diferitele componente ale unei rețele neuronale, vei putea crea arhitecturi mai mari și mai complexe. Pentru a măsura performanțele modelului tău, vei folosi TorchMetrics, o bibliotecă PyTorch pentru evaluarea modelelor.

La finalizarea cursului, vei putea folosi PyTorch pentru a rezolva probleme de clasificare și regresie atât pe date tabulare, cât și pe imagini, utilizând deep learning. O competență esențială pentru profesioniștii cu experiență în domeniul datelor care doresc să-și avanseze cariera.

Cerințe prealabile

Supervised Learning with scikit-learn Introduction to NumPy Python Toolbox

1

Introduction to PyTorch, a Deep Learning Library

Self-driving cars, smartphones, search engines... Deep learning is now everywhere. Before you begin building complex models, you will become familiar with PyTorch, a deep learning framework. You will learn how to manipulate tensors, create PyTorch data structures, and build your first neural network in PyTorch with linear layers.

Introduction to deep learning with PyTorch

Getting started with PyTorch tensors

Checking and adding tensors

Neural networks and layers

Linear layer network

Understanding weights

Hidden layers and parameters

Your first neural network

Stacking linear layers

Counting the number of parameters

Începe capitolul

2

Neural Network Architecture and Hyperparameters

To train a neural network in PyTorch, you will first need to understand additional components, such as activation and loss functions. You will then realize that training a network requires minimizing that loss function, which is done by calculating gradients. You will learn how to use these gradients to update your model's parameters.

Discovering activation functions

Activate your understanding!

The sigmoid and softmax functions

Running a forward pass

Building a binary classifier in PyTorch

From regression to multi-class classification

Using loss functions to assess model predictions

Creating one-hot encoded labels

Calculating cross entropy loss

Using derivatives to update model parameters

Accessing the model parameters

Updating the weights manually

Using the PyTorch optimizer

Începe capitolul

3

Training a Neural Network with PyTorch

Now that you've learned the key components of a neural network, you'll train one using a training loop. You'll explore potential issues like vanishing gradients and learn strategies to address them, such as alternative activation functions and tuning learning rate and momentum.

A deeper dive into loading data

Using TensorDataset

Using DataLoader

Writing our first training loop

Using the MSELoss

Writing a training loop

ReLU activation functions

Implementing ReLU

Implementing leaky ReLU

Understanding activation functions

Learning rate and momentum

Experimenting with learning rate

Experimenting with momentum

Începe capitolul

4

Evaluating and Improving Models

Training a deep learning model is an art, and to make sure our model is trained correctly, we need to keep track of certain metrics during training, such as the loss or the accuracy. We will learn how to calculate such metrics and how to reduce overfitting.

Layer initialization and transfer learning

Fine-tuning process

Freeze layers of a model

Layer initialization

Evaluating model performance

Writing the evaluation loop

Calculating accuracy using torchmetrics

Fighting overfitting

Experimenting with dropout

Understanding overfitting

Improving model performance

Implementing random search

Wrap-up video

Începe capitolul

Introducere în Deep Learning cu PyTorch

Curs
finalizat

Obține diploma de absolvire

Adaugă această acreditare la profilul tău LinkedIn, CV sau rezumat
Distribuie pe rețelele de socializare și în evaluarea ta de performanțăÎnscrie-te acum

Alătură-te celor peste 19 de milioane de cursanți și începe Introducere în Deep Learning cu PyTorch astăzi!

Dezvoltați-vă abilitățile de gestionare a datelor cu DataCamp pentru mobil

Fă progrese din mers cu cursurile noastre mobile și provocările zilnice de programare de 5 minute.