Chia Sẻ Khóa Học Computer Vision Với PyTorch - Deep Learning Thực Chiến [Khóa 5012 A]
Xây dựng và cải thiện các image classifier thông qua các project thực hành, CNN, transfer learning và fine-tuning.
Những gì bạn sẽ học:
- ✓ Build image classifier đầu tiên của bạn với PyTorch thông qua một project có hướng dẫn từng bước.
- ✓ Hiểu cách neural network học hỏi từ các ví dụ và nhận dạng các mẫu trong hình ảnh.
- ✓ Chuẩn bị các image dataset của riêng bạn để training & testing các computer vision model.
- ✓ Build & train convolutional neural network (CNN) với các giải thích rõ ràng và code Python thực tế.
- ✓ Evaluate các dự đoán của mô hình và xác định những điểm mạnh và những điểm yếu của nó.
- ✓ Cải thiện các mô hình của bạn với transfer learning và selective fine-tuning sử dụng một ResNet đã được huấn luyện sẵn.
- ✓ Áp dụng data augmentation & regularization để giảm overfitting và giúp các mô hình của bạn hoạt động tốt hơn trên các hình ảnh mới.
- ✓ Hoàn thành một project phân loại hình ảnh và áp dụng quy trình vào các ý tưởng và tập dữ liệu của riêng bạn.
Xây dựng computer vision model đầu tiên của bạn. Sau đó, học cách làm cho nó tốt hơn.
Biến các kỹ năng Python của bạn thành các project phân loại hình ảnh thực tế với PyTorch. Học cách train một neural network, hiểu các dự đoán của nó và đưa ra quyết định sáng suốt về những gì cần cải thiện tiếp theo.
Cho dù bạn đang xây dựng model đầu tiên của mình hay đã từng làm qua một vài hướng dẫn, khóa học này sẽ mang lại cho bạn một lộ trình liền mạch xuyên suốt toàn bộ quy trình: chuẩn bị hình ảnh của bạn, build một model, train nó, đánh giá hiệu suất và thử nghiệm các cải tiến.
Xem classifier đầu tiên của bạn hoạt động ngay từ đầu khóa học!
Bạn sẽ bắt đầu với một project Rock-Paper-Scissors (Oẳn tù tì) có hướng dẫn, sử dụng một notebook được cung cấp sẵn để xem các thành phần khớp với nhau như thế nào. Bạn có thể theo dõi toàn bộ quá trình trước khi tìm hiểu từng chi tiết triển khai cụ thể.
Từ đó, chúng ta sẽ khám phá cách neural network học tập và kết nối các ý tưởng đó với code PyTorch thực tế. Bạn sẽ phát triển sự hiểu biết trực quan về các dự đoán, loss, backpropagation và các parameter update, sau đó xem convolutional neural network hoạt động với hình ảnh ra sao.
Build một project và cải thiện nó từng bước:
Main project sử dụng Intel Image Classification dataset để nhận dạng sáu loại scene, bao gồm các tòa nhà, rừng và núi.
Bạn sẽ bắt đầu với một CNN đơn giản và theo dõi sự phát triển của nó qua nhiều module. Khi thêm các kỹ thuật mới, bạn sẽ so sánh kết quả và tìm hiểu xem điều gì đã thay đổi.
Trên hành trình đó, bạn sẽ học cách:
- ✓ Chuẩn bị các image dataset, transformation & data loader.
- ✓ Build & train một convolutional neural network trong PyTorch.
- ✓ Sử dụng các training, validation & test set cho các mục đích khác nhau của chúng.
- ✓ Interpret các learning curve, classification metric & confusion matric.
- ✓ Áp dụng transfer learning với một pretrained ResNet-18.
- ✓ Tinh chỉnh các selected layer để điều chỉnh mô hình cho phù hợp với nhiệm vụ của bạn.
- ✓ Sử dụng data augmentation, dropout và weight decay để giải quyết overfitting.
- ✓ So sánh các mô hình, save checkpoint và đưa ra các dự đoán trên chính hình ảnh của bạn.
Hiểu những gì kết quả đang nói cho bạn biết:
Một mô hình có thể hoạt động tốt trong quá trình training nhưng vẫn gặp khó khăn với các hình ảnh mới. Nó cũng có thể đạt được điểm số tổng thể đầy hứa hẹn nhưng lại liên tục nhầm lẫn giữa các danh mục cụ thể.
Bạn sẽ học cách nhận biết các mẫu này và sử dụng chúng để định hướng cho thử nghiệm tiếp theo. Trọng tâm là hiểu rõ kết quả, so sánh các cách tiếp cận và giải thích các quyết định bạn đưa ra.
Kết nối mọi thứ lại với nhau trong dự án tổng kết (Capstone):
Quay trở lại với dự án Rock-Paper-Scissors cùng một bộ kỹ năng vững vàng hơn. Thiết lập một baseline, áp dụng transfer learning và selective fine-tuning, so sánh các mô hình cuối cùng và kiểm tra các lỗi của chúng.
Dự án tổng kết tạo không gian để bạn tự đưa ra các quyết định triển khai, đi kèm các gợi ý và giải pháp hoàn chỉnh sẵn sàng hỗ trợ khi bạn cần. Giải pháp bao gồm các kết quả tham khảo để bạn có thể so sánh phương pháp và cách giải thích của mình.
Học với các giải thích rõ ràng và tài nguyên thực tế:
Khóa học bao gồm các bài giảng video có hướng dẫn, các Jupyter notebook có thể tải xuống, các nhiệm vụ thực hành và lời giải hoàn chỉnh. Hướng dẫn setup giúp bạn chuẩn bị môi trường, và một phần giới thiệu về Jupyter Notebook cũng được tích hợp sẵn nếu bạn là người mới bắt đầu.
Bạn cần có kiến thức cơ bản về Python, bao gồm các biến, vòng lặp và hàm. Khóa học không yêu cầu kinh nghiệm trước đó về PyTorch hay computer vision.
Hãy tham gia cùng tôi và xây dựng một workflow thực tế mà bạn có thể áp dụng cho các dự án phân loại hình ảnh của riêng mình.
Mục lục:
- ✓ 01. Chào mừng và Bắt đầu.
- ✓ 02. Build Image Classifier đầu tiên của bạn.
- ✓ 03. Cách các Neural Network học hỏi.
- ✓ 04. Từ tính toán thủ công đến PyTorch.
- ✓ 05. Tìm hiểu về Convolutional Neural Network.
- ✓ 06. Build & Train một Image Classifier từ đầu.
- ✓ 07. Evaluate Model của bạn và hiểu các lỗi của nó.
- ✓ 08. Transfer Learning với một Pretrained ResNet.
- ✓ 09. Cải thiện Model của bạn với Selective Fine-Tuning.
- ✓ 10. Data Augmentation & Generalization.
- ✓ 11. So sánh các mô hình và diễn giải kết quả.
- ✓ 12. Capstone Project.
Khóa học này dành cho:
- ✓ Những người đang học Python muốn xây dựng các dự án computer vision đầu tiên của họ bằng PyTorch.
- ✓ Sinh viên và các nhà phát triển đang tìm kiếm một tài liệu mang tính thực tế về deep learning cho image classification.
- ✓ Người học đã xây dựng các mô hình cơ bản và muốn cải thiện kết quả của họ bằng transfer learning, fine-tuning và data augmentation.
- ✓ Các researcher và chuyên gia muốn áp dụng quy trình phân loại hình ảnh vào các tập dữ liệu của riêng họ.