PyTorch: от тензоров до нейросетей и кастомных фреймворков [stepik] [Валерий Никаноров, Николай Сергеев]

Складчина: PyTorch: от тензоров до нейросетей и кастомных фреймворков [stepik] [Валерий Никаноров, Николай Сергеев]

Этот курс предоставляет фундаментальные и практические знания по глубокому обучению с использованием PyTorch — одного из ведущих фреймворков машинного обучения. Вы шаг за шагом освоите работу с тензорами, архитектурой нейросетей, загрузкой и предобработкой данных, обучением моделей и визуализацией экспериментов. Курс ориентирован на разработку прикладных навыков, в том числе создание собственных фреймворков для тестирования гиперпараметров и отладки нейросетей.

Чему вы научитесь

• Установка и настройка PyTorch, включая поддержку CUDA
• Основы тензоров: оси, ранги, форма и операции (reshape, squeeze, flatten и др.)
• Элементарные, редукционные и индексные операции с тензорами
• Использование Broadcasting и визуализация форм тензоров в CNN
• Работа с датасетами (Fashion MNIST), загрузка, предобработка и нормализация данных
• Принципы построения нейросетей в PyTorch (модули, последовательности, веса, forward)
• Тренировочные циклы, вычисление функции потерь, метрик и построение confusion matrix
• Отладку кода с помощью встроенных средств PyTorch
• Интеграцию с TensorBoard для отслеживания метрик
• Разработку кастомного фреймворка для гиперпараметрических и архитектурных экспериментов
• Продвинутые темы: num_workers, оптимизация загрузки данных, работа с GPU и Sequential моделью

О курсе
Курс предлагает всестороннее погружение в разработку, отладку и эксперименты с нейросетевыми моделями на PyTorch. Вы начнёте с основ: установка, тензоры и базовые операции, и закончите созданием собственного фреймворка для организации экспериментов и тестирования гиперпараметров. Курс включает большое количество визуализаций, интерактивных заданий и практических примеров кода.

Для кого этот курс

• Люди, интересующиеся нейросетями и желающие перейти от теории к практике
• Начинающие и продолжающие разработчики, желающие глубоко понять внутренности PyTorch
• ML-инженеры, стремящиеся систематизировать знания и освоить продвинутые методы отладки
• Исследователи, которым нужен собственный фреймворк для гибких экспериментов с архитектурами

Начальные требования
Уверенное знание Python
Базовое понимание работы нейросетей и глубинного обучение на уровне курса Нейронные сети: Основы глубокого обучения с нуля.
Опыт работы с Jupyter или иной средой разработки на Python (pyCharm, VS etc.)

Наши преподаватели

• Валерий Никаноров .Работаю senior ML-инженером в МТС-банке. Увлекаюсь машинным обучением и нейронными сетями! В качестве хобби делаю курсы.Преподаю машинное обучение, глубинное обучение, статистику и не только уже больше 7 лет.
• Николай Сергеев (7 лет в Data Science, Инженер машинного обучения в Желтом Банке, Сеньор);

Как проходит обучение
Текстовые уроки
Квизы и интерактивные проверки понимания
Примеры кода (всего более 1800 строк) с пояснениями
Задания на код для отработки практики

Программа курса

Введение
Пререквизиты
Что такое PyTorch?
Установка PyTorch
Использование GPU

Тензоры и операции с ними
Тензоры
Форма входного тензора в CNN и карты признаков
Тензоры PyTorch
Операции с тензорами - 1
Операции с тензорами - 2
Практика

Работа с данными
Fashion-MNIST
Извлечение, преобразование и загрузка (ETL)
Datasets и DataLoaders

Создание нейронных сетей в PyTorch
Создание нейронных сетей
Слои
Весовые коэффициенты
Линейные слои
Прямой проход
Реализация прямого прохода в CNN
Объяснение прямого распространения
Обработка пакетов
Выход CNN
Практика

Обучение нейронных сетей в PyTorch
Процесс обучения CNN
Цикл обучения CNN
Матрица ошибок
Конкатенация и Стекинг
TensorBoard
Гиперпараметры
Практика

Экспериментация
Run Builder
Оптимизация цикла обучения CNN
Тестирование DataLoader
Запуск на GPU
Нормализация данных
PyTorch Sequential
Нормализация батча
Сброс весов сети
Обучение нескольких сетей одновременно
Макс-пулинг
Практика

В курс входят 41 урок 94 теста 22 интерактивные задачи
Последнее обновление 26.05.2025

Цена 495 руб
Скрытая ссылка