Aprender conceptos iniciales de Deep Learning

1

¿Qué es el Deep Learning?

2

¿Qué son las redes neuronales artificiales?

3

¿Por qué el Deep Learning ahora?

4

Pytorch y los diferentes frameworks de Deep Learning

5

Setup en Google Colab

Entender la API de Pytorch

6

¿Qué son los tensores?

7

Tensores y datasets

8

Capas de una red neuronal en Pytorch

9

Crear una red neuronal en Pytorch

10

¿Cómo cargar datos en Pytorch?

11

¿Cómo entrenar una red en Pytorch?

12

Loop de entrenamiento de la red neuronal

Entrenar Redes Neuronales Profundas

13

Ciclo de trabajo para el Deep Learning

14

Espacio de modelos

15

Función de perdida

16

Método de optimización: SGD y Backpropagation

17

Autograd y métodos de optimización

18

¿Cómo evaluar la performance de la red neuronal?

19

Regularización de redes neuronales profundas

20

Implementando la Regularización

21

Optimización de hiperparametros

22

Transfer learning

Construir nuestro propio modelo

23

Presentación del problema

24

Definiendo la red generativa que construiremos: CycleGAN

25

Creando la red generadora convolucional

26

Creando el decoder de la red generadora

27

Construyendo las redes discriminativas

28

Preparando el entrenamiento

29

Instanciando redes, perdidas

30

Instanciando optimizadores y schedulers

31

Calculando las pérdidas

32

Entrenando

33

Cómo visualizar y debugear el entrenamiento

34

Cómo utilizar tu modelo una vez entrenado

35

Cómo utilizar una GPU personal con Google Cloud

Llegar más lejos

36

¿Por qué el Deep Learning es más poderoso que el Machine Learning Tradicional?

37

Para ir más lejos

38

Cierre del curso

Bonus

39

¿Por qué aprender Deep Learning?

No tienes acceso a esta clase

¡Continúa aprendiendo! Únete y comienza a potenciar tu carrera

Preparando el entrenamiento

28/39
Recursos

Aportes 6

Preguntas 1

Ordenar por:

Los aportes, preguntas y respuestas son vitales para aprender en comunidad. Regístrate o inicia sesión para participar.

Si tienen problemas al importar ReplayBuffer, instalen la libreria visdom con el siguiente comando:

!pip install visdom

Posteriormente tienen que ejecutar la linea que arrojaba el error, la cual es:

from utils import ReplayBuffer

Siento que estas ultimas clases relacionadas con redes generativas no estèn bien explicadas.

El metodo ReplayBuffer en algunos casos no se puede importar del modulo utils del repositorio para este curso porque existe una confución de direcciones. Si se ha seguido todos los pasos del video probablemente nos encontraremos en la carpeta del repositorio que previamente descargamos para copiar las imagenes, en este existe también un metodo utils pero no es el que necesitamos. Por eso, apesar de usar el comando sys.path.apend e indicar la direccion del repositorio de este curso para poder importar utils nos aparece un error. Para solucionarlo se puede:

  • Con el comando %cd ir a la dirección del repositorio del curso antes de importar utils.

  • O, borrar la carpeta del repositorio de dode copiamos las imagenes por que ya no se usará después para que ya no haya esa confusion de direciones.

@Jean Paul hace el siguiente comentario en el siguiente vieo (ayuda bastante tomar el codigo ya debuggeado como referencia, por algún error de dedo que pueda surgir):
""
Asi es y en este repo tienen el codigo con debugging ya realizado por si lo quieren tomar como referencia:

https://github.com/JuanPabloMF/deep-learning-platzi/blob/master/DeepLearningConPytorch.ipynb
""
Nota adicional: Como fui haciendo el codigo casi todo en un solo notebook de colab despues de mover mi posición en la carpeta a “” %cd ‘/gdrive/My Drive’ “” ya no tuve inconvenientes con importar “ReplayBuffer” (Nota adicional: esto despues de que instale visdom con “pip install visdom” desde terminal en windows 10, pero podría no haber sido necesario)

Si no encuentra ReplayBuffer

Ir al directorio antes de importar las librerías:

%cd '/gdrive/My Drive/dl-pytorch'

👍🏼

Al reproducir el video e ir haciendo toda la codificación en paralelo noté algunas inconsistencias:
*En la clase ImageDataset se defienen las variables self.file_A y self.fileB y más abajo, en el método len, se llama como files_a y files_B (en plural y la a minúscula).

En el método getitem se llaman en plural y con la letra de las imágenes mayúsculas.
Pero todos deberían tener los mismos nombres (files_A, files_B)