EITC/AI/DLPP глыбокае навучанне з Python і PyTorch - гэта еўрапейская праграма ІТ-сертыфікацыі на асновах праграмавання глыбокага навучання на Python з бібліятэкай машыннага навучання PyTorch.
Вучэбная праграма паглыбленага навучання EITC/AI/DLPP з Python і PyTorch факусуюць на практычных навыках глыбокага навучання праграмаванню Python з бібліятэкай PyTorch, арганізаванай у наступнай структуры, якая ахоплівае поўны дыдактычны змест відэа ў якасці эталона для сертыфікацыі EITC.
Глыбокае навучанне (таксама вядомае як глыбокае структураванае навучанне) з'яўляецца часткай больш шырокага сямейства метадаў машыннага навучання, заснаваных на штучных нейронных сетках з прадстаўленнем навучання. Навучанне можа быць пад кантролем, пад кантролем альбо без кантролю. Такія архітэктуры глыбокага навучання, як глыбокія нейронныя сеткі, глыбокія сеткі перакананняў, перыядычныя нейронныя сеткі і згорткавыя нейронныя сеткі, прымяняюцца да такіх палёў, як камп'ютэрны зрок, машыннае зрок, распазнаванне прамовы, апрацоўка натуральнай мовы, распазнаванне аўдыя, фільтраванне сацыяльных сетак, машынны пераклад, біяінфарматыка , дызайн лекаў, аналіз медыцынскіх малюнкаў, агляд матэрыялаў і праграмы настольных гульняў, дзе яны далі вынікі, супастаўныя і, у некаторых выпадках, пераўзыходзячыя паказчыкі эксперта.
Python - гэта інтэрпрэтаваная мова праграмавання высокага ўзроўню і агульнага прызначэння. Філасофія дызайну Python падкрэслівае зручнасць чытання кода з яго прыкметным выкарыстаннем значных прабелаў. Яго моўныя канструкцыі і аб'ектна-арыентаваны падыход накіраваны на тое, каб дапамагчы праграмістам напісаць зразумелы, лагічны код для малых і маштабных праектаў. Python часта апісваюць як мову з "батарэямі", дзякуючы сваёй поўнай стандартнай бібліятэцы. Python звычайна выкарыстоўваецца ў праектах штучнага інтэлекту і праектах машыннага навучання з дапамогай такіх бібліятэк, як TensorFlow, Keras, Pytorch і Scikit-learn.
Python дынамічна набіраецца (выконвае падчас выканання мноства распаўсюджаных паводзін праграмавання, якія выконваюць статычныя мовы праграмавання падчас кампіляцыі), і збірае смецце (з аўтаматычным кіраваннем памяццю). Ён падтрымлівае некалькі парадыгм праграмавання, уключаючы структурнае (у прыватнасці, працэдурнае), аб'ектна-арыентаванае і функцыянальнае праграмаванне. Ён быў створаны ў канцы 1980-х, а ўпершыню выпушчаны ў 1991 годзе Гвіда ван Росумам як пераемнік мовы праграмавання ABC. Python 2.0, выпушчаны ў 2000 г., прадставіў новыя функцыі, такія як разуменне спісаў, і сістэму збору смецця з падлікам спасылак, і быў спынены з версіяй 2.7 у 2020 г. Python 3.0, выпушчаны ў 2008 г., быў сур'ёзнай перапрацоўкай мовы, якая не цалкам сумяшчальны назад і шмат Python 2 не працуе нязменным на Python 3. З канцом жыцця Python 2 (і піп, які адмовіўся ад падтрымкі ў 2021 г.), падтрымліваецца толькі Python 3.6.x і больш позняя версія, старыя версіі ўсё яшчэ падтрымка, напрыклад, Windows 7 (і старых усталёўшчыкаў, не абмежаваных 64-разраднай Windows).
Інтэрпрэтатары Python падтрымліваюцца для асноўных аперацыйных сістэм і даступныя яшчэ для некалькіх (і раней падтрымліваліся для многіх іншых). Сусветная супольнасць праграмістаў распрацоўвае і падтрымлівае CPython, бясплатную спасылку з адкрытым зыходным кодам. Некамерцыйная арганізацыя, Фонд праграмнага забеспячэння Python, кіруе і кіруе рэсурсамі для распрацоўкі Python і CPython.
Па стане на студзень 2021 г. Python займае трэцяе месца ў індэксе самых папулярных моў праграмавання TIOBE, саступаючы C і Java, атрымаўшы раней другое месца і ўзнагароду за найбольшы прырост папулярнасці на 2020 г. Ён быў абраны Мовай праграмавання года ў 2007, 2010 , і 2018.
Эмпірычнае даследаванне паказала, што мовы сцэнарыяў, такія як Python, больш прадуктыўныя, чым звычайныя мовы, такія як C і Java, для задач праграмавання, якія ўключаюць маніпуляцыі са радкамі і пошук у слоўніку, і вызначыла, што спажыванне памяці часта "лепш, чым Java, а не значна горш, чым C або C ++ ”. Буйныя арганізацыі, якія выкарыстоўваюць Python, ўключаюць у сябе Wikipedia, Google, Yahoo !, CERN, NASA, Facebook, Amazon, Instagram.
Акрамя прыкладанняў штучнага інтэлекту, Python, як мова сцэнарыяў з модульнай архітэктурай, простым сінтаксісам і багатымі сродкамі апрацоўкі тэксту, часта выкарыстоўваецца для апрацоўкі натуральнай мовы.
PyTorch - гэта бібліятэка машыннага навучання з адкрытым зыходным кодам, заснаваная на бібліятэцы Torch, якая выкарыстоўваецца для такіх прыкладанняў, як камп'ютэрны зрок і апрацоўка натуральных моў, распрацаваная ў першую чаргу даследчай лабараторыяй AI Facebook (FAIR). Гэта бясплатнае праграмнае забеспячэнне з адкрытым зыходным кодам, выпушчанае пад ліцэнзіяй Modified BSD. Нягледзячы на тое, што інтэрфейс Python больш адшліфаваны і асноўны фокус распрацоўкі, PyTorch таксама мае інтэрфейс C ++. Побач з PyTorch пабудаваны шэраг праграмнага забеспячэння для глыбокага навучання, у тым ліку аўтапілот Tesla, Pyro Uber, трансформеры HuggingFace, PyTorch Lightning і Catalyst.
- Тэнзарныя вылічэнні (напрыклад, NumPy) з моцным паскарэннем дзякуючы графічным працэсарам (GPU)
- Глыбокія нейронныя сеткі, пабудаваныя на аўтаматычнай (вылічальнай) сістэме дыферэнцыяцыі на аснове стужкі
Facebook працуе як з PyTorch, так і з згоднай архітэктурай для хуткага ўбудавання функцый (Caffe2), але мадэлі, вызначаныя двума фрэймворкамі, былі ўзаемна несумяшчальныя. Праект Open Neural Network Exchange (ONNX) быў створаны Facebook і Microsoft у верасні 2017 года для пераўтварэння мадэляў паміж фреймворкамі. Caffe2 быў аб'яднаны ў PyTorch у канцы сакавіка 2018 года.
PyTorch вызначае клас пад назвай Tensor (torch.Tensor) для захоўвання і працы з аднароднымі шматмернымі прамавугольнымі масівамі лікаў. Тэнзары PyTorch падобныя на масівы NumPy, але таксама могуць працаваць на графічным працэсары Nvidia, які падтрымлівае CUDA. PyTorch падтрымлівае розныя падтыпы тэнзараў.
Ёсць некалькі важных модуляў для Pytorch. Сюды ўваходзяць:
- Модуль Autograd: PyTorch выкарыстоўвае метад, які называецца аўтаматычнай дыферэнцыяцыяй. Рэгістратар запісвае, якія аперацыі былі выкананы, а потым паўтарае яго назад, каб вылічыць градыенты. Гэты метад асабліва магутны пры пабудове нейронных сетак, каб зэканоміць час на адну эпоху шляхам вылічэння дыферэнцыяцыі параметраў на прамым праходзе.
- Модуль Optim: torch.optim - гэта модуль, які рэалізуе розныя алгарытмы аптымізацыі, якія выкарыстоўваюцца для пабудовы нейронных сетак. Большасць часта выкарыстоўваюцца метадаў ужо падтрымліваюцца, таму няма неабходнасці будаваць іх з нуля.
- модуль nn: PyTorch autograd дазваляе лёгка вызначыць вылічальныя графікі і ўзяць градыенты, але сырой autograd можа быць занадта нізкім для вызначэння складаных нейронных сетак. Тут можа дапамагчы модуль nn.
Для дэталёвага азнаямлення з вучэбнай праграмай сертыфікацыі вы можаце разгарнуць і прааналізаваць табліцу ніжэй.
Вучэбная праграма EITC/AI/DLPP Deep Learning with Python і PyTorch Certification Curriculum спасылаецца на дыдактычныя матэрыялы з адкрытым доступам у відэаформе Харысана Кінслі. Працэс навучання падзелены на пакрокавую структуру (праграмы -> урокі -> тэмы), якая ахоплівае адпаведныя часткі вучэбнай праграмы. Таксама прадастаўляюцца неабмежаваныя кансультацыі з экспертамі па дамене.
Падрабязна пра працэдуру сертыфікацыі глядзіце Як гэта працуе?.
Спампуйце поўныя афлайн-падрыхтоўчыя матэрыялы для праграмы Deep Learning EITC/AI/DLPP з дапамогай Python і PyTorch у фармаце PDF
Падрыхтоўчыя матэрыялы EITC/AI/DLPP – стандартная версія
Падрыхтоўчыя матэрыялы EITC/AI/DLPP – пашыраная версія з пытаннямі для агляду