Curso de Deep learning | Aprenda a construir redes neurais com PyTorch - Redes Neurais Convolucionais com PyTorch | Visão Computacional | Deep Learning #2

✅ Ainda precisa aprender a programar? Aprenda Python do Jeito Certo e desenvolva uma base fundamental para se tornar capaz de pensar e criar soluções para problemas escrevendo código: https://vai.pgdinamica.com/pjc-dados Redes neurais como você nunca viu! Nesta live, iremos estudar redes neurais convolucionais e como você pode implementá-las usando a linguagem de programação Python e a biblioteca PyTorch. Redes convolucionais ou redes de convolução são arquiteturas de redes neurais muito utilizadas para trabalhar com imagens. Embora exista prova na teoria que uma rede neural Multi-Layer perceptron (MLP), como vimos no primeiro vídeo, é um aproximador universal para funções, na prática, precisamos "ajudar a rede a nos ajudar". Temos recursos limitados – memória, poder computacional, dados... – e precisamos desenvolver métodos que nos ajudem a resolver problemas de maneira eficaz e eficiente com todas essas restrições dentro de um espaço de soluções imenso. Por isso, para cada domínio de trabalho (imagens, vídeo, texto etc) é interessante conseguirmos utilizar nosso conhecimento adquirido ao longo de décadas – ou séculos! – de pesquisas científicas para melhorarmos nossas soluções. ▶️ Introdução ao PyTorch | Redes Neurais | Primeiros passos com PyTorch | Deep Learning #1 https://youtu.be/cGxv8tOaA7I As redes neurais convolucionais utilizam o conhecimento sobre filtros convolucionais, que apresentamos na playlist sobre Processamento de Imagens, para incorporar características importantes no trabalho com imagens nas redes neurais. Por exemplo, se quisermos identificar um gato em uma imagem, é importante conseguirmos identificá-lo em qualquer lugar da imagem e em escalas diferentes também! Com uma rede MLP, precisaríamos aprender uma variedade imensa de configurações do mesmo gato, com a mesma pose, ocupando proporções diferentes da imagem na esquerda, direito, meio, cima, baixo etc. Com a operação de convolução, ganhamos a propriedade de invariância por translação e com as camadas de "pooling", inserimos um grau de múltiplas escalas na análise. Neste vídeo, treinaremos um modelo de classificação de imagens, resolvendo uma tarefa crucial de visão computacional com uma rede neural de convolução. Usaremos o conjunto de dados CIFAR-10 para classificar imagens de automóveis, aviões, pássaros, cavalos etc. ▶️ Assista também: Como iniciar na Visão Computacional? | Conselhos pros seus Primeiros Passos na Visão Computacional https://youtu.be/HW7oJVqqQxU 📌 Código do vídeo: https://github.com/pgdinamica/deeplearning/tree/main/notebooks PyTorch é uma biblioteca de aprendizado de máquina de código aberto baseada na biblioteca Torch usada em aplicações como visão computacional e processamento de linguagem natural, e mantida principalmente pelo laboratório de pesquisa de IA do Facebook (FAIR). 0:00 Introdução e página do curso de Deep Learning 2:00 O problema de classificação de imagens 5:22 Revisão sobre o perceptron e uma rede neural artificial 9:44 Como trabalhar com imagens em uma rede neural 19:09 Preparando o conjunto de dados CIFAR-10 com Torchvision 35:22 Pré-processamento dos dados e criação dos DataLoaders 54:30 Construção de uma rede neural MLP (Perceptron Multicamada) 1:08:00 Usando a GPU e definindo os hiperparâmetros de otimização para treinamento 1:13:52 Como funciona a entropia cruzada como função de perda (CrossEntropyLoss) 1:21:16 Treinando uma rede MLP para classificação de imagens 1:41:48 Avaliando o desempenho de um modelo de classificação 1:50:06 Como funciona uma rede convolucional e por que ela é boa para imagens 2:03:47 Criando uma rede de convolução no Pytorch 2:15:13 Treinando e avaliando uma rede convolucional 2:31:29 Classificando nossas próprias imagens com uma rede convolucional treinada 📚 Livros recomendados de Data Science: https://amzn.to/2XZyxUr Conheça a ALFORRIAH: https://www.youtube.com/alforriah 🟣 Canal na Twitch para lives: https://www.twitch.tv/pgdinamica 🟦 Canal do Telegram para receber todos os vídeos: https://t.me/pgdinamica 🥰 Se você gosta do nosso trabalho e acha relevante a nossa atuação no Youtube, considere nos apoiar se tornando membro do canal: https://www.youtube.com/programacaodinamica/join ✉️ E-mails: – Propostas comerciais: [email protected] – Demais assuntos: [email protected] 👩🏾‍💻👨🏾‍💻 Confira mais conteúdo em nosso blog: https://medium.com/programacaodinamica 🔥 Faça parte da comunidade gratuita Programação Mais Dinâmica: https://bit.ly/pgsparkle (baixe o app e entre na comunidade) TikTok: @pgdinamica 📸 Nos siga no Instagram: https://instagram.com/pgdinamica 📸 @kizzy_terra @hallpaz 🐦 Nos siga no Twitter: https://twitter.com/pgdinamica 🐦 @kizzy_terra @hallpaz * Curta a Programação Dinâmica no facebook: fb.com/pgdinamica * Nosso repositório no Github: github.com/programacaodinamica