День №3. Свёрточные нейросети /CNN в коде (от картинки к PyTorch)
День №3. Свёрточные нейросети /CNN в коде (от картинки к PyTorch) Друзья, с теорией и бизнес-применением разобрались. Сегодня открываем Python и смотрим, как все эти свёртки, ReLU и pooling выглядят уже не на красивой схеме, а в настоящем коде. И так, мы Вы уже знаете, что на вход CNN получает изображение как тензор. Для обычной RGB-картинки PyTorch работает с формой: batch × channels × height × width Дальше начинается знакомая цепочка: Conv2d → ReLU → MaxPool → Conv2d → ReLU → MaxPool → Flatten → Linear Всю рабочую механику мы показали на шпаргалке, если вы ее внимательно изучите , то вопрос на тему "как это работает?" остаться не должно. Важно отметить друзья, в реальном проекте, возможно вы никогда не будете строить модель с нуля. Так как часто берут уже обученную ResNet, EfficientNet или ConvNeXt, меняют последний слой под свою задачу и дообучают модель на собственных данных. Это проще и дешевле. И всё же вы должны понимать фундамент, иначе не сможете править ошибки. Но? а для того, чтобы Вы смогли наглядно прикоснуться к СNN, мы собрали для вас маленький пайплайн по обучению CNN (датасет CIFAR-10, обучение, validation/test, accuracy и пример предсказания) Папка для скачивания как обычно сразу под постом, сохраняйте и пробуйте создать свою собственную CNN. #CNN #ComputerVision #PyTorch #DeepLearning #MachineLearning #Python #НейронныеСети #Нейроманка