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.