بهبود کارایی یادگیری عمیق ( دیپ لرنینگ ) در زبان Python

شبکه های عصبی یادگیری عمیق آسان شده اند. با این حال، تنظیم این مدل ها برای حداکثر عملکرد باقی می ماند چیزی از یک چالش برای اکثر مدل سازان است. این دوره به شما آموزش می دهد که چگونه نتایج را به عنوان یک تمرین کننده آموزش ماشین به دست آورید.
این دوره با مقدمه ای بر روی مشکل بیش از حد و تور تکنیک های تنظیم مجدد شروع می شود. از طریق اندازه پیکربندی شده به صورت بهتر پیکربندی شده، اندازه دسته ای نزول، توابع از دست دادن، نرخ یادگیری، و جلوگیری از انفجار شیب از طریق برش گرادیان، یاد بگیرید. پس از آن، تکنیک های اصلاح شده را یاد خواهید گرفت و از طریق به روز رسانی عملکرد از دست دادن با استفاده از تکنیک هایی مانند تنظیم وزن، محدودیت های وزن و اصلاح فعال سازی، استفاده از تابع از دست دادن را کاهش دهید. ارسال آن، شما به طور موثر اعمال رها کردن، اضافه کردن سر و صدا، و توقف اولیه، و ترکیب پیش بینی ها از چندین مدل.
شما همچنین به تکنیک های یادگیری گروهی نگاه می کنید و آموزش مدل های ضعیف و مشکلات مانند زودرس را تشخیص می دهید همگرایی و سرعت بخشیدن به روند آموزش مدل. سپس، پیش بینی های چند مدل ذخیره شده در طی یک تمرین واحد را با تکنیک هایی مانند گروه های افقی و گروه های فوری ذخیره می کنید.
در نهایت، شما واریانس بالا را در یک مدل نهایی تشخیص دهید و مهارت پیش بینی متوسط ​​را بهبود بخشید.
در پایان این دوره، شما تکنیک های مختلفی را برای نتایج بهتر با مدل های یادگیری عمیق یاد خواهید گرفت.
تمام فایل های منبع در مخزن Github در https://github.com/packtpublishing آپلود می شوند / عملکرد-تنظیم-عمیق یادگیری-مدل-استاد کلاس

عنوان اصلی : Performance Tuning Deep Learning in Python - A Masterclass

سرفصل های دوره :

معرفی دوره :
مقدمه
بررسی اجمالی دوره
آیا این دوره برای شما مناسب است؟
ساختار دوره
شبکه عصبی تعریف شده است
چارچوبی برای یادگیری اختیاری
تکنیک های تعمیم بهینه
تکنیک های پیش بینی بهینه
برنامه چارچوب
منحنی های یادگیری تشخیصی
تناسب مدل
مجموعه داده غیرنماینده
یادگیری بهینه:
شبکه های عصبی: یک تابع نقشه برداری را بیاموزید
سطح خطا
ویژگی های سطح خطا
سطح خطای غیر محدب
اجزای شبکه عصبی یادگیری عمیق: قسمت 1
اجزای شبکه عصبی یادگیری عمیق: قسمت 2
ظرفیت مدل شبکه عصبی
آناتومی یک مدل کراس
دمو: مطالعه موردی ظرفیت مدل: قسمت 1
دمو: مطالعه موردی ظرفیت مدل: قسمت 2
نسخه نمایشی: مطالعه موردی ظرفیت مدل: قسمت 3
دقت گرادیان با اندازه دسته ای
نسخه نمایشی: مطالعه موردی در اندازه دسته: قسمت 1
نسخه ی نمایشی: مطالعه موردی در اندازه دسته ای: قسمت 2
نسخه نمایشی: مطالعه موردی در اندازه دسته: قسمت 3
عملکرد از دست دادن تعریف شده است
انتخاب یک تابع ضرر
نسخه ی نمایشی: مطالعه موردی در مورد توابع از دست دادن رگرسیون: قسمت 1
نسخه ی نمایشی: مطالعه موردی در مورد توابع از دست دادن رگرسیون: قسمت 2
نسخه ی نمایشی: مطالعه موردی در مورد توابع از دست دادن طبقه بندی باینری: قسمت 1
نسخه ی نمایشی: مطالعه موردی در مورد توابع از دست دادن طبقه بندی باینری: قسمت 2
نسخه ی نمایشی: مطالعه موردی در توابع از دست دادن طبقه بندی باینری: قسمت 3
نسخه ی نمایشی: مطالعه موردی در مورد توابع از دست دادن طبقه بندی چند طبقه: قسمت 1
نسخه ی نمایشی: مطالعه موردی در مورد توابع از دست دادن طبقه بندی چند طبقه: قسمت 2
نرخ یادگیری تعریف شده است
پیکربندی میزان یادگیری
برنامه‌های نرخ یادگیری و نرخ‌های یادگیری تطبیقی
تعریف نرخ یادگیری در کراس
نسخه ی نمایشی: مطالعه موردی در مورد میزان یادگیری: قسمت 1
نسخه نمایشی: مطالعه موردی در مورد میزان یادگیری: قسمت 2
نسخه ی نمایشی: مطالعه موردی در مورد میزان یادگیری: قسمت 3
نسخه نمایشی: مطالعه موردی در مورد میزان یادگیری: قسمت 4
مقیاس‌سازی داده‌ها
مقیاس کردن متغیرهای ورودی و خروجی
عادی سازی و استانداردسازی (تغییر مقیاس)
نسخه ی نمایشی: مطالعه موردی در مقیاس داده ها: قسمت 1
نسخه نمایشی: مطالعه موردی در مقیاس داده ها: قسمت 2
نسخه ی نمایشی: مطالعه موردی در مقیاس داده ها: قسمت 3
نسخه ی نمایشی: مطالعه موردی مقیاس داده ها: قسمت 4
توابع فعال سازی و گرادیان های ناپدید شونده
تابع فعال سازی خطی اصلاح شده در پایتون تعریف و پیاده سازی شده است
هنگامی که ReLU انتخاب مناسب است
نسخه ی نمایشی: مطالعه موردی در مورد گرادیان های محو شده: قسمت 1
نسخه ی نمایشی: مطالعه موردی در مورد گرادیان های محو شده: قسمت 2
صحیح گرادیان های انفجاری با برش
برش گرادیان در کراس
نسخه ی نمایشی: مطالعه موردی بر روی گرادیان های انفجاری قسمت 1
نسخه ی نمایشی: مطالعه موردی بر روی گرادیان های انفجاری قسمت 2
نرمال سازی دسته ای
نکاتی برای اعمال عادی سازی دسته ای
نسخه ی نمایشی: مطالعه موردی در مورد عادی سازی دسته ای: قسمت 1
نسخه ی نمایشی: مطالعه موردی در مورد عادی سازی دسته ای: قسمت 2
نسخه ی نمایشی: مطالعه موردی Pretraining Layer-Wise Greedy: قسمت 1
نسخه ی نمایشی: Greedy Layer-Wise Pretraining مطالعه موردی: قسمت 2
تعمیم بهینه:
مشکل بیش از حد برازش
کاهش بیش از حد برازش با محدود کردن پیچیدگی
رویکردهای منظم سازی برای شبکه های عصبی
وزنه های بزرگ را از طریق منظم کردن جریمه کنید
چگونه وزنه های بزرگ را جریمه کنیم؟
نکاتی برای استفاده از تنظیم وزن
نسخه نمایشی: مطالعه موردی تنظیم وزن: قسمت 1
نسخه نمایشی: مطالعه موردی تنظیم وزن: قسمت 2
قانونی سازی فعالیت
تشویق فعال سازی های کوچکتر
نکاتی برای منظم کردن فعالیت
قانونی سازی فعالیت در کراس
نمایش: مطالعه موردی منظم‌سازی فعالیت
اجبار کردن وزنه های کوچک
نحوه استفاده از محدودیت وزن
نکاتی برای اعمال محدودیت های وزن
محدودیت وزن در کراس
دمو: مطالعه موردی محدودیت وزن
ترک تحصیل
مکانیک ترک تحصیل
نکات ترک تحصیل
ترک تحصیل در کراس
نسخه ی نمایشی: مطالعه موردی ترک تحصیل
تنظیم نویز
چگونه نویز اضافه کنیم
نکات نویز
افزودن نویز در Keras
نسخه ی نمایشی: مطالعه موردی تنظیم نویز
پیش‌بینی‌های بهینه:
آموزش گروهی
مدل های شبکه عصبی مجموعه ای
تغییر عناصر اصلی
مدل گروه‌های میانگین‌گیری
گروه‌های موسیقی در کراس
نسخه ی نمایشی: مدل میانگین گیری گروه مطالعه موردی: قسمت 1
نسخه ی نمایشی: مدل میانگین گیری گروه مطالعه موردی: قسمت 2
نسخه ی نمایشی: مدل میانگین گیری گروه مطالعه موردی: قسمت 3
گروه های میانگین وزنی
نسخه نمایشی: میانگین وزنی گروه مطالعه موردی: قسمت 1
نسخه نمایشی: میانگین وزنی گروه مطالعه موردی: قسمت 2
نسخه نمایشی: میانگین وزنی گروه مطالعه موردی: قسمت 3
نسخه نمایشی: میانگین وزنی گروه مطالعه موردی: قسمت 4
نمونه‌برداری مجدد از گروه‌ها
نسخه ی نمایشی: نمونه برداری مجدد گروه مطالعه موردی: قسمت 1
دمو: نمونه‌برداری مجدد گروه مطالعه موردی: قسمت 2
دمو: نمونه‌برداری مجدد گروه مطالعه موردی: قسمت 3
دمو: نمونه‌برداری مجدد گروه مطالعه موردی: قسمت 4
گروه های رای گیری افقی
دمو: مطالعه موردی گروه افقی: قسمت 1
دمو: مطالعه موردی گروه افقی: قسمت 2