Lástima que el profe no nos mostró cómo usar el modelo entrenado o que él dijo que entrenó, con imágenes y ver los resultados. Hubiese sido genial.
Aprender conceptos iniciales de Deep Learning
¿Qué es el Deep Learning?
¿Qué son las redes neuronales artificiales?
¿Por qué el Deep Learning ahora?
Pytorch y los diferentes frameworks de Deep Learning
Setup en Google Colab
Entender la API de Pytorch
¿Qué son los tensores?
Tensores y datasets
Capas de una red neuronal en Pytorch
Crear una red neuronal en Pytorch
¿Cómo cargar datos en Pytorch?
¿Cómo entrenar una red en Pytorch?
Loop de entrenamiento de la red neuronal
Entrenar Redes Neuronales Profundas
Ciclo de trabajo para el Deep Learning
Espacio de modelos
Función de perdida
Método de optimización: SGD y Backpropagation
Autograd y métodos de optimización
¿Cómo evaluar la performance de la red neuronal?
Regularización de redes neuronales profundas
Implementando la Regularización
Optimización de hiperparametros
Transfer learning
Construir nuestro propio modelo
Presentación del problema
Definiendo la red generativa que construiremos: CycleGAN
Creando la red generadora convolucional
Creando el decoder de la red generadora
Construyendo las redes discriminativas
Preparando el entrenamiento
Instanciando redes, perdidas
Instanciando optimizadores y schedulers
Calculando las pérdidas
Entrenando
Cómo visualizar y debugear el entrenamiento
Cómo utilizar tu modelo una vez entrenado
Cómo utilizar una GPU personal con Google Cloud
Llegar más lejos
¿Por qué el Deep Learning es más poderoso que el Machine Learning Tradicional?
Para ir más lejos
Cierre del curso
Bonus
¿Por qué aprender Deep Learning?
No tienes acceso a esta clase
¡Continúa aprendiendo! Únete y comienza a potenciar tu carrera
Crear cuenta
Si ya tienes una cuenta,
Iniciar sesión
Cómo utilizar tu modelo una vez entrenado
34/39Recursos
Aportes 7
Preguntas 10
Ordenar por:
**---------------------------------------------------------------------------
TypeError Traceback (most recent call last)
<ipython-input-90-f62059731d4f> in <module>()
----> 1 logger = Logger(n_epochs, len(dataloader), epoch=epoch)
2 liveloss = PlotLosses()
TypeError: __init__() got an unexpected keyword argument 'epoch'**
Hola. A alguien mas le da error la linea:
logger = Logger(n_epoch, len(dataloader))
Error:
Visdom python client failed to establish socket to get messages from the server. This feature is optional and can be disabled by initializing Visdom withuse_incoming_socket=False, which will prevent waiting for this request to timeout.
Gracias.
Hola quiero compartirles un video en donde se muestra como guardar y cargar un modero de pytorch ya entrenado.
https://youtu.be/fnill6Ea8Ts
Hola en el examen sale una pregunta sobre liveloss .Sin embargo el link hacia “Repasar la Clase” no envia a esta clase si no que en la anterior en donde aun no se nombra el liveloss
Me hubiese gustado saber como utilizar el modelo entrenado con las imágenes. Si alguien sabe como es el procedimiento seria de gran ayuda.
---------------------------------------------------------------------------
ValueError Traceback (most recent call last)
<ipython-input-85-ab6cc966376a> in <module>()
17 transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))]
18
---> 19 dataloader = DataLoader(ImageDataset(base_dir, transform=transform), batch_sampler=batch_size, shuffle=True, num_workers=n_cpu, drop_last=True)
20
21 def Gen_GAN_loss(G, D, real, loss, target_real):
/usr/local/lib/python3.6/dist-packages/torch/utils/data/dataloader.py in __init__(self, dataset, batch_size, shuffle, sampler, batch_sampler, num_workers, collate_fn, pin_memory, drop_last, timeout, worker_init_fn, multiprocessing_context, generator)
205 # auto_collation with custom batch_sampler
206 if batch_size != 1 or shuffle or sampler is not None or drop_last:
--> 207 raise ValueError('batch_sampler option is mutually exclusive '
208 'with batch_size, shuffle, sampler, and '
209 'drop_last')
ValueError: batch_sampler option is mutually exclusive with batch_size, shuffle, sampler, and drop_last
Los aportes, preguntas y respuestas son vitales para aprender en comunidad. Regístrate o inicia sesión para participar.