(给机器学习算法与Python学习加星标,提升AI技能)
本教程以实际应用、工程开发为目的,着重介绍模型训练过程中遇到的实际问题和方法。在机器学习模型开发中,主要涉及三大部分,分别是数据、模型和损失函数及优化器。本文也按顺序的依次介绍数据、模型和损失函数及优化器,从而给大家带来清晰的机器学习结构。
通过本教程,希望能够给大家带来一个清晰的模型训练结构。当模型训练遇到问题时,需要通过可视化工具对数据、模型、损失等内容进行观察,分析并定位问题出在数据部分?模型部分?还是优化器?只有这样不断的通过可视化诊断你的模型,不断的对症下药,才能训练出一个较满意的模型。
本教程内容及结构:
本教程内容主要为在 PyTorch 中训练一个模型所可能涉及到的方法及函数,并且对 PyTorch 提供的数据增强方法(22 个)、权值初始化方法(10 个)、损失函数(17 个)、优化器(6 个)及 tensorboardX 的方法(13 个)进行了详细介绍。

本教程分为四章,结构与机器学习三大部分一致:
  • 第一章,介绍数据的划分,预处理,数据增强;
  • 第二章,介绍模型的定义,权值初始化,模型 Finetune;
  • 第三章,介绍各种损失函数及优化器;
  • 第四章,介绍可视化工具,用于监控数据、模型权及损失函数的变化。
本教程适用读者:
  1. 想熟悉 PyTorch 使用的朋友;
  2. 想采用 PyTorch 进行模型训练的朋友;
  3. 正采用 PyTorch,但无有效机制去诊断模型的朋友;
下载方式
关注公众号,后台回复关键词
20200420
继续阅读
阅读原文