AI e ML per programmatori in PyTorch

Indice

A

• acceleratori
  • Acceleratori di Google Colab, Estensione del dataset
  • model.to(device) per l'acceleratore, Implementare le reti neurali convoluzionali, Ottimizzare la fase di caricamento
• precisione
  • Modello di database MNIST, Addestramento della rete neurale-Addestramentodella rete neurale
    • addestramento fino alla precisione desiderata, Arrestoanticipato-Arresto anticipato
  • processo di apprendimento, Iniziare con l'apprendimento automatico
  • velocità contro accuratezza dell'apprendimento, Progettazione della rete neurale
• funzioni di attivazione, Progettazione della rete neurale
  • ReLU, Progettare la rete neurale
    • rete feedforward, Lo strato della rete feedforward
• Ottimizzatore Adam, Il Codice Completo, Il Codice Completo, Architettura CNN per "Cavalli o umani"
  • Amsgrad come implementazione alternativa, Regolazione del tasso di apprendimento
  • regolazione del parametro del tasso di apprendimento, Regolazione del tasso di apprendimento, Ottimizzazione degli LSTM impilati, Regolazione del tasso di apprendimento
  • DNN di serie temporali, Creazione e addestramento di una DNN per adattarla ai dati della sequenza
    • tasso di apprendimento regolato, Regolare il tasso di apprendimento
• Ottimizzatore Amsgrad, Regolazione del tasso di apprendimento
• API
  • suddivisioni personalizzate di insiemi di dati, Usare le suddivisioni personalizzate
  • libreria diffusers(vedi libreria diffusers (Hugging Face))
  • API Hugging Face per accedere, Usare i diffusori Hugging Face
  • API RAG di LangChain, Come iniziare con RAG
  • API transformers di Hugging ...