PyTorch: introduzione e applicazioni

PyTorch: introduzione e applicazioni

  • Codice
    DT0285
  • Prezzo
    950,00 €
  • Durata
    1 gg

Descrizione

Il corso "PyTorch: introduzione e applicazioni" fornisce una panoramica su PyTorch, uno dei framework di deep learning più popolari e versatili. I partecipanti acquisiranno le competenze necessarie per costruire e ottimizzare modelli di deep learning utilizzando PyTorch. Tratteremo concetti come la gestione dei dati, la costruzione di reti neurali e l'implementazione di tecniche di training.

Target

  • Data scientists e ingegneri del machine learning che desiderano approfondire le loro competenze in deep learning.
  • Sviluppatori software che vogliono integrare modelli di deep learning nelle loro applicazioni.

Prerequisiti

  • Conoscenze di base di programmazione in Python.
  • Comprensione fondamentale del machine learning e dei concetti di deep learning.
  • Familiarità con l'algebra lineare e il calcolo differenziale.

Programma Corso

Introduzione a PyTorch

  • Cos'è PyTorch e perché usarlo
  • Come PyTorch supporta il Deep Learning
  • Quali requisiti Hardware e Software sono necessari
  • Installazione e configurazione dell'ambiente
  • Panoramica dell'architettura di PyTorch
  • Il dizionario di PyTorch
  • PyTorch Numpy
  • Variabili ed Autograd
  • Grafici dinamici
  • L’Optim Package
  • Il Multiprocessing

Tensors in PyTorch

  • Rappresentazione dei dati in forma numerica
  • Introduzione a Tensor
  • Differenza e relazioni tra i Tensor per PyTorch ed i ndarray in Numpy
  • I Tensor e le GPU
  • Creazione e manipolazione dei Tensor
  • Operazioni fondamentali sui Tensor
  • Gli Indexing Tensors
  • I Named Tensors
  • Tipi di elementi
  • Le API Tensor
  • Metadati e Tensor ( Size, Offset e Stride )
  • Spostamento del Tensor sulla GPU

Autograd: differenziazione automatica

  • Introduzione al modulo autograd
  • Cosa è Autograd
  • Come Autograd codifica la cronologia
  • Tensor salvati
  • Gradienti per funzioni non differenziabili
  • Disabilitazione locale del calcolo del gradiente
  • L'impostazione del Flag require_grad
  • Grad Mode
  • Default Mode
  • No-Grad Mode
  • Inference Mode
  • Evaluation Mode
  • Operazioni In-place con Autograd
  • Autograd multithread
  • Autograd per numeri complessi
  • Esempi pratici di backpropagation

Costruzione di Reti Neurali con PyTorch

  • Definizione di un modello con nn.Module
  • Costruzione di layer e moduli
  • Funzioni di perdita e ottimizzatori

Training e valutazione dei modelli

  • Caricamento e preprocessing dei dati
  • Loop di training
  • Valutazione delle performance del modello

Tecniche Avanzate

  • Utilizzo di GPU per l'accelerazione del calcolo
  • Salvare e caricare modelli
  • Fine-tuning e trasferimento di apprendimento
  • Una rete pre addestrata per riconoscere oggetti da una immagine

Esercitazione Pratica

  • Costruzione di un modello su un dataset reale
  • Domande e risposte

Questo programma è progettato per offrire una solida base in PyTorch, combinando teoria e pratica per garantire che i partecipanti possano applicare le conoscenze acquisite ai loro progetti.