Lớp học lập trình Pytorch (Video)

[TF] 11.1.1. Giới thiệu ảnh

[TF] 11.1.2. Phát hiện cạnh

[TF] 11.1.3. Dùng đạo hàm để phát hiện cạnh

[DL] 11.1.4. Bạn có nhận xét gì về các bộ lọc này?

Ảnh là một hàm

[TF] 11.1.4. Bộ lọc

Bộ lọc

[TF] 11.2.1. Giới thiệu mạng CNN

[TF] 11.2.2. Điểm yếu của mạng nơ ron

[TF] 11.2.3. LeNet

[TF] 11.2.4. Lớp tích chập

[TF] 11.2.5. Công thức lớp tích chập phần 1

[DL] Tính số lượng filter trong mỗi bộ lọc

[TF] 11.2.6. Công thức lớp tích chập phần 2

[TF] 11.2.7. Tính chất lớp tích chập

Lớp tích chập

[TF] 11.3.1. Lớp Pooling

Lớp Pooling

[TF] 13.4.1. Feature Map

Hiển thị Feature Map

[Bổ trợ] Mạng tích chập - Convolutional neural network

<ul><li>Tensor</li><li>Các phép toán trên Tensor</li><li>Hồi quy tuyến tính với Pytorch</li></ul>

Pytorch cơ bản

<ul><li>Giới thiệu bài toán Grab</li><li>Quá trình xây dựng một mô hình</li><li>Mô hình hồi quy tuyến tính</li><li>Thuật toán Gradient Descent</li><li>Lập trình hồi quy tuyến tính một biến</li></ul>

[Bổ trợ] Mô hình hồi quy tuyến tính

<ul><li>Cách xây dựng dataset hiệu năng cao với Pytorch</li><li>Dataset</li><li>Dataloader</li></ul>

Dataset và Dataloader

<ul><li>Giới thiệu chung</li><li>Các cách transform với TorchVision</li></ul>

TorchVision

<ul><li>Ôn tập dataset thông qua các demo<ul><li>Lập trình song song</li><li>Nhận diện đối tượng với YOLO</li></ul></li></ul>

Ôn tập Dataset, Dataloader và TorchVision

<ul><li>Giới thiệu xử lý ngôn ngữ tự nhiên</li><li>Word2vec</li></ul>

[Bổ trợ] Xử lý ngôn ngữ tự nhiên 

<ul><li>Preloaded datasets từ torchtext</li><li>Xử lý NLP: stop word, lemmatization …</li><li>Text tokenization và word embedding</li><li>Pretrained mô hình phân loại văn bản</li></ul>

TorchText

<ul><li>Luyện tập Torch Text</li><li>Lập trình Model với Pytorch</li></ul>

Mô hình

[Bổ trợ] Mạng nơ ron

<ul><li>Tối ưu lồi</li><li>Vấn đề của SGD</li><li>SGD với quán tính</li><li>AdaGrad</li><li>AdaDelta và RMSProp</li></ul>

[Bổ trợ] Các thuật toán Training

<ul><li>Các thuật toán tối ưu</li><li>Các hàm mất mát</li><li>Lập trình quá trình training</li></ul>

Đào tạo mô hình

Luyện tập model + training

<ul><li>Nhắc lại mạng tích chập</li><li>Lập trình với Pytorch</li></ul>

Mạng tích chập - CNN

Luyện tập CNN

<ul><li>Model compression</li><li>Export model</li></ul>

Model compression và Export model

<ul><li>Kiến trúc mô hình Transformer</li><li>Mô hình GPT</li></ul>

Transformer

<ul><li>Giới thiệu thư viện Pytorch Lightning</li></ul>

Pytorch Lightning

<ul><li>Hướng dẫn đào tạo mô hình phân tán</li></ul>

Distributed Training

<ul><li>Giới thiệu dự án của lớp học</li></ul>

[Bổ trợ] Mạng tích chập - Convolutional neural network

1. Ảnh là một hàm

1.1. [TF] 11.1.1. Giới thiệu ảnh

1.2. [TF] 11.1.2. Phát hiện cạnh

1.3. [TF] 11.1.3. Dùng đạo hàm để phát hiện cạnh

1.4. [DL] 11.1.4. Bạn có nhận xét gì về các bộ lọc này?

2. Bộ lọc

2.1. [TF] 11.1.4. Bộ lọc

3. Lớp tích chập

3.1. [TF] 11.2.1. Giới thiệu mạng CNN

3.2. [TF] 11.2.2. Điểm yếu của mạng nơ ron

3.3. [TF] 11.2.3. LeNet

3.4. [TF] 11.2.4. Lớp tích chập

3.5. [TF] 11.2.5. Công thức lớp tích chập phần 1

3.6. [DL] Tính số lượng filter trong mỗi bộ lọc

3.7. [TF] 11.2.6. Công thức lớp tích chập phần 2

3.8. [TF] 11.2.7. Tính chất lớp tích chập

4. Lớp Pooling

4.1. [TF] 11.3.1. Lớp Pooling

5. Hiển thị Feature Map

5.1. [TF] 13.4.1. Feature Map