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?

Aún no tienes acceso a esta clase

Crea una cuenta y continúa viendo este curso

Cómo visualizar y debugear el entrenamiento

33/39
Recursos

Aportes 3

Preguntas 3

Ordenar por:

¿Quieres ver más aportes, preguntas y respuestas de la comunidad? Crea una cuenta o inicia sesión.

Yo aplique esto y me corrio en la instacicion.

def weights_init_normal(m):
  if type(m) == nn.Conv2d:
    torch.nn.init.normal_(m.weight.data, 0.0, 0.02)
  elif type(m) == nn.BatchNorm2d:
    torch.nn.init.normal_(m.weight.data, 1.0, 0.02)
    torch.nn.init.constant(m.bias, 0.0)

Estaba dentro de los ejemplos de…

help(nn.ReflectionPad2d)

🤓

Para ayudarse con la identación, en Colab es posible mostrar las guías de identación, esto lo cambian en:

Tools > Settings > Editor > Show indentation guides.

Que pasa cuando bota este error?

runtimeError: CUDA out of memory

revisando en varios foros SO comentaban cosas como bajar el número de batch_size, limpiar la cache de torch con :

torch.cuda.empty_cache()

, terminar otras sesiones de colab o reiniciar el runtime.
.
Probé todas y ninguna funcionó, sin embargo despues de un rato hice otro intento y trabajó sin problemas y ya no pude repetir mas el Error alguien sabe porque fué el error y porque se solucionó?
Saludos