近年來深度學習技術在各種機器學習任務上達到前所未有的精度,這樣的突破使得自駕車或是機器人中,感知系統的可靠度有了極大的提升。欲開發深度學習模型,深度學習框架的選擇是相當重要的。
PyTorch為FAIR (Facebook AI Research)於2017年所開放的深度學習框架,過去兩年在深度學習、電腦視覺、自然語言處理等頂會中的使用率,已經全面超越Tensorflow。相較於Tensorflow,PyTorch容易上手、搭建模型效率極高,程式碼卻更為簡潔,因此,許多最新的深度學習模型都是運用PyTorch實現。
本課程除了簡介深度學習的基本原理以及訓練細節,還會介紹各種深度學習模型,其中包括了影像分類(從Alexnet到ResNet)、物件偵測(YOLOv1-YOLOv7)、影像分割(FCN, DeepLabv1, DeepLabv1, DeepLabv3,DeepLabv3+),甚至是生成式對抗網路(CGAN, pix2pix, CycleGAN, StarGAN, CyEDA),尤其是如何運用這些模型在自駕車或是機器人的感知系統中。
經過本次課程的洗禮,您將學會(1)從頭訓練一個深度學習網路,(2)在訓練效果不佳時,如何有系統的調整超參數以提升辨識率,(3)運用適當的模型解決工作上的需求,尤其是如何訓練一個能在效能與計算量間得到平衡的模型。