Oreilly – Up and Running with PyTorch 2025-3

در تاریخ: 1404/02/27 4:17:26

توضیحات

دوره Up and Running with PyTorch. این دوره به آموزش مبانی اولیه کار با PyTorch، یکی از چارچوب‌های قدرتمند یادگیری عمیق، می‌پردازد. ابتدا با معرفی PyTorch و نقش آن در تحقیقات یادگیری عمیق آغاز می‌شود، سپس مفاهیم پایه‌ای مانند تنسورها به عنوان بلوک‌های سازنده داده‌ها و نحوه کار با آن‌ها شرح داده می‌شود. همچنین، اهمیت گراف‌های محاسباتی و مکانیسم پس‌انتشار (backpropagation) با استفاده از ماژول torch.autograd آموزش داده می‌شود. یکی از بخش‌های کلیدی، بهینه‌سازی محاسبات با استفاده از GPU و معرفی الگوریتم‌های یادگیری مانند Gradient Descent و Stochastic Gradient Descent (SGD) است. در ادامه، با پیاده‌سازی یک مدل رگرسیون خطی ساده، مفاهیم به صورت عملی تمرین می‌شوند. سپس، ساختار پرسپترون‌ها و نورون‌ها به عنوان واحدهای اصلی شبکه‌های عصبی معرفی شده و با استفاده از ماژول torch.nn، یک شبکه عصبی چندلایه (MLP) ایجاد می‌شود. این دوره با مرور جامع مطالب ارائه‌شده به پایان می‌رسد و راه را برای یادگیری مدل‌های پیچیده‌تر هموار می‌کند.

آنچه فرا خواهید گرفت:

درک مفاهیم اساسی PyTorch و deep learning frameworks
کار با Tensors در PyTorch
درک مفهوم Computational Graphs و Backpropagation
استفاده از torch.autograd برای automatic differentiation
کار با GPUs در PyTorch
آشنایی با اجزای یک الگوریتم یادگیری
پیاده‌سازی مدل Linear Regression با PyTorch
درک مفهوم Perceptrons و Neurons
استفاده از لایه‌ها و توابع فعال‌سازی با torch.nn
ساخت شبکه‌های عصبی Feedforward چند لایه (MLP)

این دوره مناسب چه کسانی است؟

افرادی که به تازگی با deep learning و PyTorch آشنا می‌شوند.
توسعه‌دهندگانی که می‌خواهند از PyTorch برای ساخت مدل‌های deep learning استفاده کنند.
دانشجویان و محققانی که به یادگیری مفاهیم اساسی deep learning علاقه‌مند هستند.
هر کسی که می‌خواهد درک عملی از نحوه کار شبکه‌های عصبی پیدا کند.

مشخصات دوره Up and Running with PyTorch

ناشر: Oreilly
مدرس: Jonathan Dinu
سطح آموزش: مبتدی تا پیشرفته
مدت زمان آموزش: 2 ساعت و 55 دقیقه

سرفصل های دوره

Introduction
Up and Running with PyTorch: Introduction
Lesson 1: PyTorch for the Impatient
1.1 What Is PyTorch?
1.2 The PyTorch Layer Cake
1.3 The Deep Learning Software Trilemma
1.4 What Are Tensors, Really?
1.5 Tensors in PyTorch
1.6 Introduction to Computational Graphs
1.7 Backpropagation Is Just the Chain Rule
1.8 Effortless Backpropagation with torch.autograd
1.9 PyTorch’s Device Abstraction (i.e., GPUs)
1.10 Working with Devices
1.11 Components of a Learning Algorithm
1.12 Introduction to Gradient Descent
1.13 Getting to Stochastic Gradient Descent (SGD)
1.14 Comparing Gradient Descent and SGD
1.15 Linear Regression with PyTorch
1.16 Perceptrons and Neurons
1.17 Layers and Activations with torch.nn
1.18 Multi-layer Feedforward Neural Networks (MLP)
Summary
Up and Running with PyTorch: Summary