Deep Learning per programmatori con fastai e PyTorch

Capitolo 2. Dal modello alla produzione

Questo lavoro è stato tradotto utilizzando l'AI. Siamo lieti di ricevere il tuo feedback e i tuoi commenti: [e-mail]

Le sei righe di codice che abbiamo visto nel Capitolo 1 sono solo una piccola parte del processo di utilizzo pratico del deep learning. In questo capitolo, utilizzeremo un esempio di computer vision per esaminare il processo end-to-end di creazione di un'applicazione di deep learning. In particolare, costruiremo un classificatore di orsi! Nel corso di questo processo, discuteremo le capacità e i vincoli del deep learning, esploreremo come creare i dataset, esamineremo i possibili intoppi nell'utilizzo pratico del deep learning e molto altro ancora. Molti dei punti chiave si applicheranno anche ad altri problemi di deep learning, come quelli del Capitolo 1. Se lavori su un problema simile per aspetti chiave ai nostri esempi, ci aspettiamo che tu ottenga risultati eccellenti con poco codice e in tempi brevi.

Iniziamo da come devi inquadrare il tuo problema.

La pratica del Deep Learning

Abbiamo visto che il deep learning può risolvere molti problemi impegnativi in modo rapido e con poco codice. Per i principianti, c'è un punto di forza di problemi abbastanza simili a quelli del nostro esempio che ti permette di ottenere rapidamente risultati estremamente utili. Tuttavia, il deep learning non è una magia! Le stesse sei righe di codice non funzioneranno per tutti i problemi che ci vengono in mente oggi. ...