Специалист Нейронные сети. Компьютерное зрение и библиотека PyTorch
О курсе
Подробнее
В курсе используется Python 3.11\3.12 Нейронные сети – технология, революционно изменившая мир компьютерного зрения, переведя решение многих задач от традиционного логического подхода к эффективным data-driven решениям. Мы уже успели привыкнуть к разблокировке мобильных устройств «по лицу», к распознаванию текста на фото и понемногу начинаем привыкать к сгенерированным нейросетями изображениям. В рамках данного курса слушатели познакомятся с популярнейшей библиотекой PyTorch и решениями в области компьютерного зрения и компьютерной графики на ее базе. Помимо этого, слушатели изучат теоретические основы нейросетей, попробуют себя в качестве создателей сетей «с нуля», а также с различными способами переноса обучения уже готовых «нейронок». Слушателям будет предложено пройти весь путь от разметки данных до создания прототипа приложения. Обучение проходит либо в облачной среде Google Colab, либо на компьютерах с установленным GPU.
Результат
Что вы получите
- работать с библиотекой PyTorch
- углубите свои знания по Python
- познакомитесь с обработкой изображений средствами нейронных сетей и Python
- создадите прототип приложения
Содержание
7 занятийПрограмма курса
№ТемаЧто внутри
01Модуль 1. Введение в Pytorch и подготовку изображений  (3 ак. ч.)
Введение в курс: технические требования, облачные решения. Введение в нейронные сети: область применения, история, современность. Что такое PyTorch? Что такое тензоры, операции с тензорами. Графические изображения как тензоры. Предварительная обработка графических изображений: PIL и OpenCV. Практикум: загрузка, подготовка и вывод изображений в Jupyter Notebook.
02Модуль 2. Полносвязная нейросеть  (3 ак. ч.)
Теория нейронных сетей: функции активации и потерь, градиенты, метрики. Создание сети в PyTorch: «многослойный персептрон» (MLP). Использование PyTorch при работе с векторами и табличными данными. Визуалиазция процесса обучения: matplotlib и tensorboard. Обучающий и валидационный датасет, мини-батчи: стратегии формирования. Настройка гиперпараметров сети (функция активации, кол-во весов). Оптимизация процесса обучения (выбор кол-ва эпох, размеров батчей, скорости обучения и т.д.). Инструменты регуляризации нейронной сети (dropout). Практикум на датасетах «рукописные цифры» и MNIST.
03Модуль 3. Cверточная нейросеть  (3 ак. ч.)
Операция «свертка» на примере детектора краев Собеля. Обучение простейшей сверточной нейронной сети в PyTorch (LeNetV5). Элементы сверточных сетей: слои max-pooling и др. Подбор параметров сверточной нейронной сети. Практикум на датасете MNIST.
04Модуль 4. Перенос обучения и задача классификации  (4 ак. ч.)
Генераторы данных для изображений в PyTorch. Подготовка датасетов изображений для обучения классификатора. Создание сверточной нейронной сети для классификации изображений. Аугментация данных: использование преобразователей Torchvision. Загрузка моделей из различных источников. Перенос обучения на примере модели архитектуры ResNet50. Оптимизация скорости обучения при переносе. Практикум на датасете «кошки против собак».
05Модуль 5. Распознавание объектов на изображении  (4 ак. ч.)
Задача сегментации изображений: современные решения. Подход YOLO (You Only Look Once). Нейронные сети YOLOv5, Detectron2. Средства для разметки данных, подходы к разметке. Перенос обучения сети YOLOv5. Преобразования обнаруженных объектов. Практикум на различных датасетах, курсовая работа «распознавание объектов».
06Модуль 6. Эмбеддинги, поиск по фото и генеративные модели  (4 ак. ч.)
Выделение эмебеддингов изображений. Поиск похожих изображений на базе эмбеддингов и алгоритма kNN. Кластеризация изображений. Эмбеддинги и скрытые (latent) пространства, автокодировщики (VAE). Другие генеративные алгоритмы: GAN, StableDiffusion. Практика
07Модуль 7. Демонстрация работы моделей  (3 ак. ч.)
Создание демонстрационного приложения на базе библиотеки Gradio.
01Модуль 1. Введение в Pytorch и подготовку изображений  (3 ак. ч.)
Введение в курс: технические требования, облачные решения. Введение в нейронные сети: область применения, история, современность. Что такое PyTorch? Что такое тензоры, операции с тензорами. Графические изображения как тензоры. Предварительная обработка графических изображений: PIL и OpenCV. Практикум: загрузка, подготовка и вывод изображений в Jupyter Notebook.
02Модуль 2. Полносвязная нейросеть  (3 ак. ч.)
Теория нейронных сетей: функции активации и потерь, градиенты, метрики. Создание сети в PyTorch: «многослойный персептрон» (MLP). Использование PyTorch при работе с векторами и табличными данными. Визуалиазция процесса обучения: matplotlib и tensorboard. Обучающий и валидационный датасет, мини-батчи: стратегии формирования. Настройка гиперпараметров сети (функция активации, кол-во весов). Оптимизация процесса обучения (выбор кол-ва эпох, размеров батчей, скорости обучения и т.д.). Инструменты регуляризации нейронной сети (dropout). Практикум на датасетах «рукописные цифры» и MNIST.
03Модуль 3. Cверточная нейросеть  (3 ак. ч.)
Операция «свертка» на примере детектора краев Собеля. Обучение простейшей сверточной нейронной сети в PyTorch (LeNetV5). Элементы сверточных сетей: слои max-pooling и др. Подбор параметров сверточной нейронной сети. Практикум на датасете MNIST.
04Модуль 4. Перенос обучения и задача классификации  (4 ак. ч.)
Генераторы данных для изображений в PyTorch. Подготовка датасетов изображений для обучения классификатора. Создание сверточной нейронной сети для классификации изображений. Аугментация данных: использование преобразователей Torchvision. Загрузка моделей из различных источников. Перенос обучения на примере модели архитектуры ResNet50. Оптимизация скорости обучения при переносе. Практикум на датасете «кошки против собак».
05Модуль 5. Распознавание объектов на изображении  (4 ак. ч.)
Задача сегментации изображений: современные решения. Подход YOLO (You Only Look Once). Нейронные сети YOLOv5, Detectron2. Средства для разметки данных, подходы к разметке. Перенос обучения сети YOLOv5. Преобразования обнаруженных объектов. Практикум на различных датасетах, курсовая работа «распознавание объектов».
06Модуль 6. Эмбеддинги, поиск по фото и генеративные модели  (4 ак. ч.)
Выделение эмебеддингов изображений. Поиск похожих изображений на базе эмбеддингов и алгоритма kNN. Кластеризация изображений. Эмбеддинги и скрытые (latent) пространства, автокодировщики (VAE). Другие генеративные алгоритмы: GAN, StableDiffusion. Практика
07Модуль 7. Демонстрация работы моделей  (3 ак. ч.)
Создание демонстрационного приложения на базе библиотеки Gradio.
Организатор
Автор курса
Мнения учеников
Отзывы о курсе
Оставьте отзыв
Расскажите о качестве обучения, поддержке и результате. Это поможет другим выбрать организацию осознанно.
Оставьте заявку
Консультант ответит на вопросы о курсе «Нейронные сети. Компьютерное зрение и библиотека PyTorch» и поможет разобраться в деталях обучения.
Нажимая кнопку, вы даете согласие на обработку персональных данных
Направления:Машинное обучение
Информация обновлена 6 августа 2024 г.
Продолжить выбор
Похожие курсы
Начать без затрат
