Введение в PyTorch для обработки аудио 0:00 Первое видео из серии по PyTorch для обработки аудио. Создание нейронной сети с нуля и её обучение. Использование набора данных MNIST для классификации изображений.
Установка PyTorch и необходимых пакетов 0:52 Установка PyTorch и необходимых пакетов с помощью pip. Использование torch audio и torch vision для работы с аудио и изображениями.
Загрузка набора данных MNIST 1:48 Создание функции для загрузки набора данных MNIST. Загрузка обучающих и тестовых данных. Применение преобразования для нормализации данных.
Создание загрузчика данных 8:08 Объяснение, что такое загрузчик данных. Создание загрузчика данных для обучающих данных. Определение размера пакета.
Построение модели 10:01 Создание модели в PyTorch. Определение класса модели и методов конструктора и forward. Добавление слоев в модель, включая сглаживание и плотные слои.
Использование последовательности действий 13:09 Объяснение последовательности действий в PyTorch. Объединение нескольких слоев в один атрибут. Применение линейного слоя для обработки данных.
Создание нейронной сети 14:23 Использование 256 нейронов и функции активации ReLU. Применение линейного слоя с 156 входами и 10 выходами. Использование слоя softmax для нормализации предсказаний.
Определение метода forward 15:23 Объяснение метода forward для обработки данных. Передача сглаженных данных в плотные слои. Применение softmax для получения прогнозов.
Создание модели 18:12 Наследование класса от модуля и определение методов конструктора и forward. Создание экземпляра сети и назначение устройства для обучения. Проверка наличия ускорения GPU и выбор устройства.
Обучение модели 20:48 Использование функций для обучения одной эпохи и всего обучения. Перебор выборок в наборе данных и использование загрузчика данных. Назначение тензоров устройству и выполнение шагов вычисления потерь и обратного распространения.
Вычисление потерь и обновление весов 24:47 Получение прогнозов и расчет потерь с помощью функции потерь. Применение обратного распространения и градиентного спуска для обновления весов. Использование оптимизатора и выполнение шага для обновления весов.
Заключение 27:57 Печать потерь для последней партии. Сравнение подхода PyTorch с Keras и TensorFlow. Важность понимания работы PyTorch для настройки и контроля.
Введение в обучение 29:36 Обсуждение различий между фреймворками глубокого обучения. Переход к реализации обучения. Процесс обучения состоит из нескольких эпох.
Реализация обучения 30:31 Вывод текущей эпохи. Вызов функции train для одной эпохи. Добавление разделителя для каждой эпохи.
Подготовка к обучению модели 31:16 Введение модели и загрузчика данных. Определение функции потерь и оптимизатора. Установка количества эпох для обучения.
Определение функции потерь и оптимизатора 32:10 Использование перекрестной потери энтропии. Применение оптимизатора Adam. Передача параметров и скорости обучения.
Сохранение модели 33:34 Использование torch.save для сохранения модели. Указание состояния модели и пути к файлу. Печать сообщения о сохранении модели.
Проверка и завершение 35:36 Проверка работы модели. Сохранение модели в памяти. Завершение видео и анонс следующего видео.
Заключение 36:34 Призыв к лайкам и вопросам в комментариях. Приглашение присоединиться к сообществу Sound of AI Slack. Прощание и пожелания.
