چگونه یک مهندس انرژی شبکه های عصبی را مطالعه کرد و بررسی دوره رایگان "Udacity: Intro to TensorFlow for Deep Learning"

در تمام زندگی بزرگسالی من یک نوشیدنی انرژی زا بوده ام (نه، اکنون در مورد نوشیدنی با خواص مشکوک صحبت نمی کنیم).

من هرگز علاقه خاصی به دنیای فناوری اطلاعات نداشته ام و حتی به سختی می توانم ماتریس ها را روی یک تکه کاغذ ضرب کنم. و من هرگز به این نیاز نداشتم، برای اینکه شما کمی در مورد ویژگی های کار من بدانید، می توانم یک داستان فوق العاده را به اشتراک بگذارم. یک بار از همکارانم خواستم کار را در صفحه گسترده اکسل انجام دهند، نیمی از روز کاری گذشته بود، رفتم پیش آنها، آنها نشسته بودند و داده ها را روی یک ماشین حساب جمع بندی می کردند، بله، روی یک ماشین حساب مشکی معمولی با دکمه. خوب، بعد از این می توان در مورد چه نوع شبکه های عصبی صحبت کرد؟.. بنابراین، هیچ پیش نیاز خاصی برای غرق شدن در دنیای IT نداشتم. اما، همانطور که می گویند، "جایی که نیستیم خوب است"، دوستانم در مورد واقعیت افزوده، در مورد شبکه های عصبی، در مورد زبان های برنامه نویسی (عمدتاً در مورد پایتون) گوش هایم را به صدا درآوردند.

در کلام بسیار ساده به نظر می رسید و من تصمیم گرفتم که چرا به این هنر جادویی تسلط ندهم تا آن را در زمینه فعالیت خود به کار ببرم.

در این مقاله، از تلاش‌هایم برای تسلط بر اصول اولیه پایتون صرف نظر می‌کنم و برداشت‌هایم از دوره رایگان TensorFlow از Udacity را با شما به اشتراک می‌گذارم.

معرفی

برای شروع، شایان ذکر است که پس از 11 سال در صنعت انرژی، زمانی که همه چیز را می دانید و می توانید انجام دهید و حتی کمی بیشتر (با توجه به مسئولیت های خود)، یادگیری چیزهای کاملاً جدید - از یک طرف، باعث اشتیاق زیادی می شود. اما از سوی دیگر - تبدیل به درد فیزیکی "دنده در سر من."

من هنوز تمام مفاهیم اولیه برنامه نویسی و یادگیری ماشین را به طور کامل درک نمی کنم، بنابراین نباید من را خیلی سخت قضاوت کنید. امیدوارم مقاله من برای افرادی مانند من که از توسعه نرم افزار دور هستند جالب و مفید باشد.

قبل از رفتن به مرور کلی دوره، می گویم که برای مطالعه آن حداقل به حداقل دانش پایتون نیاز دارید. می‌توانید چند کتاب برای آدمک‌ها بخوانید (من هم دوره‌ای را در مورد Stepic شروع کرده‌ام، اما هنوز به طور کامل به آن مسلط نشده‌ام).

خود دوره TensorFlow شامل ساختارهای پیچیده نخواهد بود، اما درک اینکه چرا کتابخانه ها وارد می شوند، چگونه یک تابع تعریف می شود و چرا چیزی در آن جایگزین می شود، ضروری است.

چرا TensorFlow و Udacity؟

هدف اصلی من از آموزش، تمایل به تشخیص عکس های عناصر تاسیسات الکتریکی با استفاده از شبکه های عصبی بود.

من TensorFlow را انتخاب کردم زیرا از دوستانم در مورد آن شنیده بودم. و همانطور که من متوجه شدم، این دوره بسیار محبوب است.

سعی کردم از مقامات رسمی شروع به یادگیری کنم آموزش .

و بعد با دو مشکل مواجه شدم.

• مواد آموزشی زیادی وجود دارد و انواع مختلفی دارد. ایجاد حداقل یک تصویر کم و بیش کامل از حل مشکل تشخیص تصویر برای من بسیار دشوار بود.
• بیشتر مقالاتی که من نیاز دارم به روسی ترجمه نشده اند. اتفاقاً از کودکی آلمانی یاد گرفتم و اکنون مانند بسیاری از بچه های شوروی، نه آلمانی و نه انگلیسی بلد نیستم. البته، در طول زندگی بزرگسالی ام، سعی کردم به زبان انگلیسی تسلط داشته باشم، اما چیزی شبیه به تصویر بود.

پس از حفاری در وب سایت رسمی، توصیه هایی را پیدا کردم که می توانم از آنها عبور کنم یکی از دو دوره آنلاین.

همانطور که من متوجه شدم، دوره در Coursera پولی بود، و دوره Udacity: مقدمه ای بر TensorFlow برای یادگیری عمیق امکان پاس "رایگان، یعنی بدون هیچ هزینه" وجود داشت.

محتوای دوره

این دوره شامل 9 درس می باشد.

بخش اول مقدماتی است، جایی که آنها به شما خواهند گفت که چرا اصولاً به آن نیاز است.

درس شماره 2 مورد علاقه من بود. درک آن به اندازه کافی ساده بود و همچنین شگفتی های علم را نشان می داد. به طور خلاصه، در این درس علاوه بر اطلاعات اولیه در مورد شبکه های عصبی، سازندگان نحوه استفاده از شبکه عصبی تک لایه را برای حل مشکل تبدیل دما از فارنهایت به سلسیوس نشان می دهند.

این در واقع یک مثال بسیار واضح است. من هنوز اینجا نشسته‌ام و به این فکر می‌کنم که چگونه یک مشکل مشابه را بیابم و حل کنم، اما فقط برای برقکارها.

متأسفانه، من بیشتر متوقف شدم، زیرا یادگیری چیزهای نامفهوم به زبانی ناآشنا بسیار دشوار است. چیزی که من را نجات داد چیزی بود که در هابره یافتم ترجمه این دوره به زبان روسی.

ترجمه با کیفیت بالا انجام شد، دفترهای کولب نیز ترجمه شدند، بنابراین من هم به اصل و هم به ترجمه نگاه کردم.

درس شماره 3 در واقع اقتباسی از مطالب آموزش رسمی TensorFlow است. در این آموزش، ما از یک شبکه عصبی چندلایه برای یادگیری نحوه طبقه بندی تصاویر لباس ها (مجموعه داده های Fashion MNIST) استفاده می کنیم.

درس های شماره 4 تا 7 نیز اقتباسی از این آموزش است. اما با توجه به اینکه آنها به درستی مرتب شده اند، نیازی به درک دنباله مطالعه خودتان نیست. در این درس ها به طور خلاصه در مورد شبکه های عصبی فوق دقیق، نحوه افزایش دقت آموزش و ذخیره مدل توضیح داده می شود. در عین حال، ما به طور همزمان مشکل طبقه بندی گربه ها و سگ ها را در تصویر حل خواهیم کرد.

درس شماره 8 یک دوره کاملاً مجزا است، معلم متفاوتی دارد و خود دوره کاملاً گسترده است. درس در مورد سری های زمانی است. از آنجایی که هنوز به آن علاقه ای ندارم، آن را به صورت مورب اسکن کردم.

این با درس شماره 9 به پایان می رسد، که دعوتی برای شرکت در یک دوره رایگان در TensorFlow lite است.

چیزی که دوست داشتی و دوست نداشتی

من با جوانب مثبت شروع می کنم:

• دوره رایگان است
• این دوره روی تنسورفلو 2 است. برخی از کتاب‌های درسی که من دیدم و برخی از دوره‌های آموزشی در اینترنت روی تنسورفلو 1 بود. نمی‌دانم تفاوت زیادی وجود دارد یا نه، اما یادگیری نسخه فعلی خوب است.
• معلمان در ویدیو آزاردهنده نیستند (اگرچه در نسخه روسی آنها به خوبی نسخه اصلی نمی خوانند)
• دوره زمان زیادی نمی برد
• این دوره شما را غمگین یا ناامید نمی کند. وظایف در دوره ساده هستند و اگر چیزی روشن نیست (و نیمی از وظایف برای من واضح نبود) همیشه یک اشاره به شکل Colab با راه حل صحیح وجود دارد.
• نیازی به نصب چیزی نیست، تمام کارهای آزمایشگاهی دوره را می توان در مرورگر انجام داد

حالا معایب:

• عملا هیچ مواد کنترلی وجود ندارد. بدون آزمون، بدون کار، هیچ چیز برای بررسی تسلط بر دوره
• همه دفترچه های یادداشت من آنطور که باید کار نمی کردند. فکر می کنم در درس سوم دوره اصلی انگلیسی کولب خطا می داد و من نمی دانستم با آن چه کنم
• فقط برای تماشای کامپیوتر راحت است. شاید من آن را کاملاً متوجه نشده بودم، اما نتوانستم برنامه Udacity را در تلفن هوشمند خود پیدا کنم. و نسخه موبایل سایت واکنش گرا نیست، یعنی تقریبا کل صفحه نمایش توسط منوی ناوبری اشغال شده است، اما برای دیدن محتوای اصلی باید به سمت راست آن سوی ناحیه مشاهده حرکت کنید. همچنین، ویدیو روی گوشی قابل مشاهده نیست. شما واقعا نمی توانید چیزی را روی صفحه نمایشی با اندازه بیش از 6 اینچ ببینید.
• برخی چیزها در دوره چندین بار جویده می شوند، اما در عین حال، چیزهای واقعا ضروری در خود شبکه های کانولوشن در دوره جویده نمی شوند. من هنوز هدف کلی برخی از تمرینات را درک نکردم (مثلاً، مکس پولینگ برای چیست).

خلاصه

مطمئناً قبلاً حدس زده اید که معجزه رخ نداده است. و پس از اتمام این دوره کوتاه، درک درستی از نحوه عملکرد شبکه های عصبی غیرممکن است.

البته بعد از این با طبقه بندی عکس های سوئیچ ها و دکمه ها در تابلو برق به تنهایی نتوانستم مشکلم را حل کنم.

اما در کل دوره مفید است. این نشان می دهد که چه کارهایی را می توان با TensorFlow انجام داد و چه جهتی را باید در پیش گرفت.

فکر می‌کنم ابتدا باید اصول پایتون را یاد بگیرم و کتاب‌هایی را به زبان روسی در مورد نحوه عملکرد شبکه‌های عصبی بخوانم و سپس TensorFlow را شروع کنم.

در خاتمه از دوستانم تشکر می کنم که مرا برای نوشتن اولین مقاله در هابر تشویق کردند و در قالب بندی آن به من کمک کردند.

PS خوشحال می شوم نظرات و انتقادات سازنده شما را ببینم.

منبع: www.habr.com