Rétropropagation et perceptrons multicouches à partir de zéro

Vous vous êtes déjà demandé ce qui se passe réellement sous le capot lorsqu'un réseau neuronal apprend? Pour vraiment maîtriser l'apprentissage profond, vous devez regarder au-delà des bibliothèques de haut niveau et saisir les mécanismes de base de la façon dont les flux de données et les gradients sont mis à jour. Ce cours basé sur le texte vous guide à travers les mathématiques fondamentales et les blocs de construction structurels des réseaux neuronaux modernes. Vous passerez des concepts théoriques à l'écriture de code propre et explicite qui forme un modèle à partir de zéro. En lisant des explications claires et étape par étape, vous construirez une intuition solide pour l'architecture de réseau neuronale. Vous apprendrez à écrire des multiplications de matrice, des fonctions d'activation et des étapes d'optimisation sans compter sur la magie automatisée. Ce que vous apprendrez: Comprendre les mathematiques fondamentales derrière les perceptrons multicouches et les opérations de matricielle; Implémentez manuellement la rétropropagation pour voir comment les gradient circulent à travers un réseau; Écrire des fonctionnalités d’activation personnalisées et des calculs de perte à l’aide de tenseurs PyTorch; Appliquer des techniques d’initialisation modernes pour éviter la disparition ou l’explosion des gradients; Configurer des boucles d’entraînement de base et des mesures d’optimalisation à partir du néant; Lire et analyser les formes de tenseur pour déboguer les problèmes d’architecture réseau.