PyTorch
تطوير نماذج التعلّم العميق بـPyTorch، من التنسور الأوّل إلى نموذج مُصدَّر وقابل للنشر خارج بيئة بايثون.
مدّة الدورة: 9 ساعات
ما ستتعلّمه
- بناء تنسورات PyTorch والتنقّل بينها وبين NumPy دون نسخ غير مقصود
- فهم آلة الاشتقاق التلقائي والرسم الديناميكي وسلوك
zero_grad - تنظيم النموذج في
nn.Moduleمع طبقات فرعية وأوزان قابلة للحفظ - تغذية التدريب بـ
Datasetمُخصَّص وDataLoaderمُوازٍ ومُثبَّت في الذاكرة - كتابة حلقة تدريب وتقييم من الصفر مع كشف فرط التخصيص مبكرًا
- اختيار المُحسِّن ومعدّل التعلّم وجدولته بأسباب واضحة
- تسريع التدريب على GPU مع الدقّة المختلطة و
GradScaler - حفظ نقاط التحكّم واستئناف تدريب مقطوع بدقّة تامّة
- إعادة استخدام شبكة
ResNet18مُدرَّبة مسبقًا مع تعلّم بالنقل - تصدير النموذج بـTorchScript وONNX ونشره في خدمة بسيطة
المتطلّبات المسبقة
- بايثون وNumPy (دورة 02)
- أساسيات التعلّم العميق (دورة 07): العصبون والانتشار الخلفي ومعدّل التعلّم
وحدات الدورة
- تنسورات PyTorch والتوافق مع NumPy
- Autograd: الرسم الديناميكي وحساب التدرّج
- nn.Module: بناء النموذج وتنظيمه
- Dataset وDataLoader: تغذية التدريب
- حلقة التدريب والتقييم المكتوبة يدويًا
- المُحسِّنات وجدولة معدّل التعلّم
- التدريب على GPU والدقّة المختلطة
- نقاط الحفظ واستئناف التدريب
- التعلّم بالنقل مع torchvision
- TorchScript وONNX والنشر للخدمة
الفِلْم الأحمر للدورة
يعبر الدورة كلَّها مشروع واحد: مُصنِّف صور على Fashion-MNIST بعشرة أصناف
وصور مقاسها 28 في 28 بكسل. يبدأ في الوحدة الأولى تنسورات خامًا، ويصير في
الوحدة الثالثة نموذجًا مغلَّفًا بـnn.Module، ثم يُغذَّى في الوحدة الرابعة
بـDataLoader، ثم تكتمل حلقته في الخامسة، وينتقل إلى GPU مع الدقّة المختلطة
في السابعة. تُضاف نقاط الحفظ في الثامنة، ثمّ يُستبدَل بشبكة ResNet18 مُدرَّبة
مسبقًا في التاسعة، ويُصدَّر بـTorchScript وONNX في العاشرة. النموذج نفسه من
البداية إلى النهاية.
التقييم والشهادة
يُختَم المسار باختبار من 40 سؤالاً يغطّي الوحدات العشر، من ميكانيك التنسورات والاشتقاق التلقائي إلى قرارات النشر. وتُمنَح عند النجاح شهادة إتمام فورًا، ورقمها قابل للتحقّق من أيّ طرف على المنصّة.
أمّا الدورات المجانية فتُختَم باختبار من 5 أسئلة مع معاينة للشهادة، دون شهادة معتمدة.