Data Science

КЗ:ПОНС.Компьютерное зрение:Практика обучения нейронных сетей

Спринт 20/25 → Тема 1/4: Введение → Урок 1/1

Кратко:
  • Обучение нейронных сетей на GPU ускоряет процесс и применяется для задач компьютерного зрения.
  • Разработан новый тренажёр для обучения моделей компьютерного зрения на серверах с GPU.
  • Вычисления будут производиться на сервере Yandex Compute Cloud.
  • Курс включает задачи на обучение моделей на серверах с GPU.
  • Специалисты по Data Science запускают тренировку, а затем переходят к другим задачам.
  • После обучения модели в тренажёре можно вернуться к основному курсу «Компьютерное зрение».
  • В уроки с заданиями добавлена необходимая информация из основного курса.

Спринт 20/25 → Тема 2/4: Полносвязные сети → Урок 1/1

Кратко:
  • Обучение моделей на сервере требует ожидания своей очереди.
  • Не откладывайте задачи на потом, чтобы избежать увеличения очереди.
  • Настройте обучение так, чтобы выводилась информация о прогрессе.
  • Проверьте свой код на своем компьютере перед отправкой на сервер.
  • Создайте три функции для загрузки обучающей и тестовой выборки.
  • Яркость изображений из обучающей выборки приведите к диапазону 0-1.
  • Создайте модель для нейронной сети.
  • Обучите модель с помощью функции train_model.
  • Проверьте свой код на сервере перед отправкой на обучение.

КЗ:ПОНС.20/25.2/4.1/1.Задача 1

Спринт 20/25 → Тема 3/4: Свёрточные нейронные сети → Урок 1/3

 

Алгоритм Adam

Кратко:
  • Алгоритм Adam - это оптимизация, которая помогает улучшить результаты обучения нейронных сетей.
  • Он подбирает различные параметры для разных нейронов, что ускоряет обучение модели.
  • Алгоритм Adam имеет настраиваемый гиперпараметр - скорость обучения (learning rate), который влияет на скорость обучения и качество модели.
  • Чтобы настроить гиперпараметры, нужно подключить класс алгоритма и указать значение для learning rate.
  • После предварительной проверки, код будет поставлен в очередь на обучение, и вы можете продолжить изучать другие уроки.
  • Проверка результатов обучения модели может занять 2-3 часа, и вы сможете перейти к следующей задаче только после того, как решите текущую.

КЗ:ПОНС.20/25.3/4.1/3.Задача 1

Спринт 20/25 → Тема 3/4: Свёрточные нейронные сети → Урок 2/3

Свёрточные сети для классификации фруктов
 
Кратко:
  • Сначала обучите простую сеть на одной эпохе без аугментации, чтобы убедиться в работоспособности кода.
  • Не применяйте повороты сразу, они увеличивают время обучения.
  • Время обучения однослойной сети и архитектуры из 7-8 слоёв может быть одинаковым.
  • Предварительная проверка кода должна быть выполнена перед обучением.
  • После 2-3 часов обучения, проверьте, не завершилось ли оно, и переходите к следующей задаче.

КЗ:ПОНС.20/25.3/4.2/3.Задача 1

Спринт 20/25 → Тема 3/4: Свёрточные нейронные сети → Урок 3/3

ResNet в Keras
 
Кратко:
  • Импортируем ResNet из Keras.
  • Рассмотрим все аргументы: input_shape, classes, weights, include_top.
  • Рассмотрим последние слои: GlobalAveragePooling2D и Dense.
  • Разберём, как применять предобученную на ImageNet сеть.
  • Научим вас трюку.
  • Заморозим сеть так: backbone.trainable = False.
  • Чтобы код выполнялся быстрее, мы загрузили веса модели ResNet50 на сервер.
  • Сначала ваш код должен пройти предварительную проверку, а затем его поставят в очередь на обучение.

КЗ:ПОНС.20/25.3/4.3/3.Задача 1

Спринт 20/25 → Тема 4/4: Самостоятельный проект → Урок 1/1

Обучение модели
Кратко:
  • Обучение модели в GPU-тренажере и сохранение результата на экран.
  • Функцией потерь может быть не только MAE, но и MSE.
  • Переобучение может быть вызвано большим числом слоев в модели.
  • Проверить корректность работы методов load_train(path) и load_test(path) с данными.
  • Использовать датафрейм для чтения данных из csv-файла и папки с изображениями.
  • Предварительная проверка кода и ожидание обучения модели 2-3 часа.
  • После обучения модели можно продолжить работу над проектом, начиная с анализа модели.

КЗ:ПОНС.20/25.4/4.1/1.Задача 1

 

Дорогой друг!

Я внимательно наблюдал за твоими действиями на сайте через вебвизор.

Если ты добрался до этой страницы, то скорее всего ты проходишь платное обучение на курсах.

Благодаря моим стараниям, целую главу ты можешь закрыть за сутки, а то и быстрее.

Думаю, что сэкономленное время, ты потратил с пользой, в то время как я сидел и пыхтел над заданиями.

Лучшая благодарность от тебя, это пожертвования на мой IT - проект.

Жертвуй столько, сколько не жалко, но и не скупись, чтобы было не стыдно.