강의

멘토링

로드맵

Inflearn brand logo image
BEST
AI Development

/

Computer Vision

Hướng dẫn đầy đủ về CNN (Mạng nơ-ron tích chập) trong Deep Learning - Phiên bản Pytorch

Từ lý thuyết cốt lõi về Deep Learning và CNN đến các phương pháp triển khai mô hình CNN đa dạng, bí quyết phát triển Deep Learning thực tế thông qua các bài toán thực tế, Nếu bạn muốn trở thành chuyên gia về công nghệ CNN Deep Learning dựa trên Pytorch, hãy tham gia khóa học này :)

(5.0) 24 đánh giá

431 học viên

  • dooleyz3525
pytorch
딥러닝
딥러닝실전프로젝트
컴퓨터비전
CNN
Deep Learning(DL)
PyTorch
Computer Vision(CV)
AI

Đánh giá từ những học viên đầu tiên

Dịch cái này sang tiếng Việt

  • Hiểu về các yếu tố công nghệ cốt lõi và mô hình chính cấu thành nên Deep Learning, CNN

  • Hiểu về quy trình xây dựng và huấn luyện mô hình sử dụng Pytorch

  • Phân loại ảnh bằng CNN và các kỹ thuật tối ưu hóa hiệu suất

  • Cải thiện hiệu suất bằng cách sử dụng mô hình Pretrained và Fine Tuning

  • Các kỹ thuật Augmentation hình ảnh đa dạng và các kỹ thuật cải thiện hiệu suất mô hình bằng cách sử dụng chúng

  • Quy trình làm việc thực tế của phát triển deep learning, bao gồm tiền xử lý hình ảnh, xử lý dữ liệu, tạo mô hình, cải thiện hiệu suất tối ưu và đánh giá hiệu suất.


Một bài giảng đã được xác minh. Đã được làm mới với Pytorch

Hướng dẫn đầy đủ về CNN về học sâu (TFKeras) với hơn 2.000 học viên và xếp hạng 5.0
Chúng tôi trở lại với phiên bản Pytorch với nhiều bài thực hành nâng cao hơn và các xu hướng mới nhất.


40 giờ, 320 trang hiểu biết sâu sắc

Học một cách có hệ thống các nguyên tắc cơ bản của CNN, các mô hình chính và các kỹ thuật tối ưu hóa hiệu suất. Điều này sẽ giúp bạn hiểu sâu hơn về CNN và có khả năng tối ưu hóa mô hình của riêng bạn.


Trải nghiệm quy trình thực tế học sâu

Từ xử lý hình ảnh trước đến tạo mô hình, cải thiện hiệu suất, tinh chỉnh và đánh giá! Bạn có thể tích lũy kinh nghiệm thực tế bằng cách làm theo quy trình phát triển học sâu.


Một bài giảng đi sâu vào Pytorch

Bạn sẽ hiểu rõ các khái niệm chính của PyTorch và có thể sử dụng nó một cách thoải mái từ xây dựng mô hình đến tối ưu hóa thông qua nhiều bài tập thực hành khác nhau.

Là công nghệ cốt lõi trong nhiều ngành công nghiệp
Tầm nhìn máy tính đã được thiết lập

Công nghệ thị giác máy tính đang nhanh chóng lan rộng trong các công nghệ tiên tiến như lái xe tự động, thành phố thông minh, chẩn đoán hình ảnh y tế và AR/VR.
Công nghệ thị giác máy tính dựa trên học sâu đang thúc đẩy tự động hóa công nghiệp và đổi mới công nghệ , đồng thời sẽ tiếp tục tạo ra nhu cầu và cơ hội nghề nghiệp trong tương lai.

Tesla đang xây dựng một hệ thống lái xe tự động dựa trên camera, phá vỡ cách tiếp cận truyền thống dựa trên cảm biến. BMW đang tự động hóa quy trình sản xuất của mình bằng cách đưa hệ thống thị giác dựa trên AI vào các nhà máy thông minh. Ngoài ra, Amazon đang sử dụng robot hậu cần với công nghệ thị giác máy tính để cải thiện tốc độ xử lý hậu cần hơn 40%.

CNN , nền tảng và cốt lõi của thị giác máy tính

Lý do tại sao CNN (Mạng nơ-ron tích chập) là nền tảng và cốt lõi trong thị giác máy tính là vì nó cung cấp một cấu trúc được tối ưu hóa cho xử lý hình ảnh hiệu suất mạnh mẽ làm cơ sở cho các mô hình thương mại thực tế so với các mô hình khác .

Các tính năng của CNN

Mô hình tìm thấy các đặc điểm của hình ảnh tốt nhất

Nền tảng cốt lõi của nhiều mô hình thương mại như YOLO, Mask R-CNN, ResNet, v.v.

Hiệu suất cao với ít dữ liệu thông qua học chuyển giao, có thể nhanh chóng áp dụng vào thực tế

Do công nghệ thị giác máy tính đang phát triển nhanh chóng hiện nay nên việc hiểu chính xác và sử dụng các mô hình CNN có thể áp dụng trong thực tế là điều cần thiết. Trong khóa học này, bạn sẽ được học từng bước từ nguyên tắc đến thực hành CNN dựa trên PyTorch, để có thể xây dựng các kỹ năng thực tế có thể áp dụng ngay vào các dự án thực tế.

Các tính năng của khóa học này

Đi sâu vào các công nghệ cốt lõi tạo nên học sâu và CNN

Chúng tôi sẽ cài đặt kiến ​​thức cơ bản cốt lõi về học sâu và CNN vào đầu bạn thông qua lý thuyết và thực hành chuyên sâu.

Hiểu biết đầy đủ về khuôn khổ Pytorch

Chúng tôi sẽ giúp bạn triển khai các ứng dụng CNN bằng cách sử dụng Pytorch miễn phí thông qua các giải thích chi tiết và đào tạo thực tế về các khuôn khổ cốt lõi tạo nên Pytorch.

Tăng cường kỹ năng thực hành của bạn bằng cách thực hành các mô hình phân loại hình ảnh

Bạn có thể tự do triển khai các mô hình phân loại hình ảnh CNN thông qua nhiều tập dữ liệu và bài toán thực tế khác nhau, đồng thời tìm hiểu các kỹ thuật điều chỉnh hiệu suất mới nhất như Tăng cường, Tối ưu hóa tốc độ học và sử dụng EfficientNet.

Mô tả chi tiết cấp độ mã nguồn của mô hình CNN cốt lõi

Để sử dụng CNN cho các ứng dụng ngoài mô hình phân loại hình ảnh, điều quan trọng là phải hiểu sự phát triển của các mô hình CNN hiện đại và các công nghệ cốt lõi của chúng. Để đạt được mục đích này , chúng tôi sẽ giải thích chi tiết về kiến ​​trúc và đặc điểm của các mô hình CNN chính như AlexNet, VGGNet, GoogLeNet (Inception) và ResNet, cũng như phương pháp triển khai của chúng ở cấp độ mã nguồn .

Tìm hiểu về những điều này

Kiến thức cơ bản hỗ trợ cho việc học sâu

Từ việc tìm hiểu về phương pháp giảm dần độ dốc thông qua triển khai trực tiếp, đến lan truyền ngược lỗi, hàm kích hoạt, hàm mất mát và trình tối ưu hóa, sách bao gồm nhiều tài liệu, mã thực hành và giải thích chi tiết để bạn có thể có được nền tảng vững chắc về kiến ​​thức học sâu.

Hiểu biết chi tiết về Pytorch Framework

Từ việc xử lý Tensor, nn.Modules, submodule, Layers, module hóa và Train Loops, bạn có thể dễ dàng hiểu được các thành phần cốt lõi để cấu hình các mô hình mạng Pytorch từng bước thông qua các giải thích chi tiết và thực hành thực tế.

Từ những điều cơ bản về CNN đến các kỹ thuật cải thiện hiệu suất mô hình tiên tiến

Chúng tôi thiết kế bài giảng để giúp bạn dễ dàng hiểu các thành phần chính của CNN thông qua nhiều tài liệu trực quan và bài tập thực hành, đồng thời giúp bạn hiểu một cách tự nhiên các kỹ thuật cải thiện hiệu suất nâng cao hơn.

Cơ chế hoạt động chi tiết của Dataset và DataLoader

Ngoài cách sử dụng cơ bản là xây dựng một Dataset và gọi DataLoader, chúng tôi sẽ trình bày chi tiết các tham số chính và cơ chế tương tác của Dataset và DataLoader.

Hiểu cách sử dụng các mô hình được đào tạo trước và tinh chỉnh

Bạn có thể cấu hình mô hình tùy chỉnh và tinh chỉnh bằng cách sử dụng mô hình được đào tạo trước dựa trên torchvision và timm.

Nhiều chức năng tiện ích khác nhau mà bạn có thể học bằng cách tự mình triển khai chúng

Chúng ta sẽ học cách triển khai các chức năng Model Checkpoint và Early Stopping và áp dụng nhiều chỉ số đánh giá khác nhau bằng Torchmetrics.

Nhiều kỹ thuật và phương pháp tăng cường khác nhau để cải thiện hiệu suất mô hình bằng cách sử dụng chúng

Chúng tôi sẽ hướng dẫn bạn cách sử dụng các thư viện như torchvision transform và Albumentations, cũng như nhiều kỹ thuật Augmentation và ứng dụng CutMix khác thông qua thực hành thực tế. Chúng tôi cũng sẽ nói về cách cải thiện hiệu suất mô hình bằng cách áp dụng Augmentation.

Mô hình CNN hiện đại mà bạn có thể tự học bằng cách triển khai

Chúng tôi sẽ giải thích chi tiết về kiến ​​trúc và đặc điểm của các mô hình CNN cốt lõi quan trọng như AlexNet, VGGNet, GoogLeNet (Inception) và ResNet, cũng như việc triển khai các mô hình này ở cấp độ mã nguồn. Chúng tôi cũng cung cấp các giải thích lý thuyết dễ hiểu về EfficientNet V1 và V2 để giúp bạn hiểu mô hình.

Các kỹ năng thực hành khác biệt phát triển thông qua việc giải quyết các vấn đề thực hành toàn diện, đầy thách thức

Thông qua các bài toán thực hành toàn diện, bạn có thể có được các kỹ năng thực hành khác biệt ở cấp độ chuyên gia bằng cách áp dụng các mô hình CNN mới nhất và nhiều phương pháp tối ưu hóa mô hình đã được đề cập cho đến nay.

Những điều cần lưu ý trước khi tham gia lớp học

Môi trường thực hành 💾

Môi trường thực hành được thực hiện bằng cách sử dụng kernel sổ tay do Kaggle cung cấp. Sau khi đăng ký Kaggle, nếu bạn chọn menu Code, bạn có thể sử dụng GPU P100 miễn phí trong 30 giờ mỗi tuần trong môi trường Jupyter Notebook tương tự như Colab.

Ngoài ra còn cung cấp tài liệu bài giảng dày 320 trang.

Khuyến nghị cho
những người này

Khóa học này dành cho ai?

  • Dành cho những ai muốn nâng cao đáng kể năng lực về deep learning và CNN

  • Dành cho những ai muốn tự tin nâng cao khả năng sử dụng Pytorch.

  • Dành cho những ai muốn sử dụng mô hình phân loại ảnh deep learning trong lĩnh vực thị giác máy tính

  • Những bạn đang chuẩn bị cho các cuộc thi về phân loại ảnh trên Kaggle hoặc Dacon

Cần biết trước khi bắt đầu?

  • Hướng dẫn hoàn chỉnh về Machine Learning Python, từ phần đầu đến phần 4 Đánh giá: Hiểu biết cơ bản

Xin chào
Đây là

26,053

Học viên

1,289

Đánh giá

3,969

Trả lời

4.9

Xếp hạng

13

Các khóa học

(전) 엔코아 컨설팅

(전) 한국 오라클

AI 프리랜서 컨설턴트

파이썬 머신러닝 완벽 가이드 저자

Chương trình giảng dạy

Tất cả

217 bài giảng ∙ (41giờ 33phút)

Tài liệu khóa học:

Tài liệu bài giảng
Ngày đăng: 
Cập nhật lần cuối: 

Đánh giá

Tất cả

24 đánh giá

5.0

24 đánh giá

  • leonpark0560님의 프로필 이미지
    leonpark0560

    Đánh giá 4

    Đánh giá trung bình 4.5

    Đã chỉnh sửa

    5

    35% đã tham gia

    Giải thích dễ hiểu và thân thiện nên rất hữu ích cho tôi.

    • dooleyz3525
      Giảng viên

      Tôi cũng rất vui vì điều đó hữu ích cho bạn. Cảm ơn bạn đã đánh giá cao ^^

  • dongun92689831님의 프로필 이미지
    dongun92689831

    Đánh giá 1

    Đánh giá trung bình 5.0

    Đã chỉnh sửa

    5

    52% đã tham gia

    Hiện tại mình đã nghe đến phần 9 và thấy đây là một trong những bài giảng hay nhất. Không biết khi nào thì sẽ có những bài giảng nâng cao như object detection vậy ạ?

    • dooleyz3525
      Giảng viên

      Ôi, cảm ơn bạn rất nhiều vì lời khen. Tôi dự định sẽ hoàn thành các bài giảng tiếp theo trước mùa thu năm nay.

  • gyungyoonpark9378님의 프로필 이미지
    gyungyoonpark9378

    Đánh giá 6

    Đánh giá trung bình 4.8

    5

    30% đã tham gia

    • onerain0338님의 프로필 이미지
      onerain0338

      Đánh giá 6

      Đánh giá trung bình 4.7

      5

      60% đã tham gia

      • akmichaelkim1534님의 프로필 이미지
        akmichaelkim1534

        Đánh giá 1

        Đánh giá trung bình 5.0

        5

        60% đã tham gia

        2.301.854 ₫

        Khóa học khác của dooleyz3525

        Hãy khám phá các khóa học khác của giảng viên!

        Khóa học tương tự

        Khám phá các khóa học khác trong cùng lĩnh vực!