Dans ce module, vous apprendrez à utiliser Données en cours d'utilisation pour classer des données et comprendre le fonctionnement de la fonction Softmax. Le module couvre également la fonction argmax et son utilisation. Vous créerez un module personnalisé pour Softmax à l'aide du package nn.module dans PyTorch et utiliserez un classificateur Softmax pour créer un modèle permettant d'effectuer des classifications. Vous appliquerez vos connaissances dans des laboratoires et testerez vos concepts dans des quiz.

Dans ce module, vous allez créer un réseau neurones avec une couche cachée en utilisant nn.Module et nn.Sequential. Vous apprendrez à former un modèle de réseau neuronal et comment les neurones peuvent améliorer un modèle. Le modèle expliquera également comment construire des réseaux avec une entrée à dimensions multiples dans PyTorch. En outre, vous explorerez l'Overfitting et l'Underfitting, les réseaux de neurones multi-classes, la rétropropagation et le gradient de fuite. Enfin, vous mettrez en œuvre les fonctions d'activation Sigmoïde, Tanh et Relu dans PyTorch. Vous appliquerez vos connaissances dans des laboratoires et testerez vos concepts dans des quiz.

Ce module fournit une vue d'ensemble des réseaux de neurones profonds dans PyTorch. Vous apprendrez à implémenter un réseau de neurones profonds dans PyTorch en utilisant la liste de modules nn. Le module aborde des concepts tels que Dropout, les couches et les poids. Il abordera également le problème de la mauvaise initialisation des poids dans un modèle de Réseau de neurones et comment y remédier. Le module explore également différentes méthodes d'initialisation dans PyTorch, la descente de gradient et la normalisation par lots. Vous appliquerez vos connaissances dans des laboratoires et testerez vos concepts dans des quiz.

Ce module décrit la convolution et la manière de déterminer la taille de la carte d'activation. Le module couvre également les fonctions d'activation et la mise en commun des valeurs maximales. En outre, le module traite de la convolution avec plusieurs canaux d'entrée et de sortie. Il résume le Constructeur de Réseau neuronal convolutif, l'étape suivante et l'entraînement dans PyTorch. Vous apprendrez des concepts tels que les unités de traitement graphique (GPU), CUDA, le réseau résiduel et Resnet18. Vous appliquerez vos connaissances dans des laboratoires et testerez vos concepts dans des quiz.

Dans ce module, vous pouvez réaliser un projet final évalué par des pairs pour démontrer et prouver les compétences acquises dans les modules précédents