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 en PyTorch avec des couches linéaires.

Pour former un réseau neuronal dans PyTorch, vous devez d'abord comprendre les composants supplémentaires, tels que les fonctions d'activation et 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.

Maintenant que vous avez appris les principaux composants d'un réseau neuronal, vous allez en former un à l'aide d'une boucle de formation. Vous explorerez des problèmes potentiels tels que la disparition des gradients et apprendrez des stratégies pour y remédier, telles que des fonctions d'activation alternatives et le réglage du taux d'apprentissage et de l'élan.

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 l'ajustement excessif.