PyTorch DATASET & DATALOADER con U-NET desde cero con PyTorch. Parte 1 скачать в хорошем качестве

PyTorch DATASET & DATALOADER con U-NET desde cero con PyTorch. Parte 1

Video previo U-NET:    • U-NET para segmentación semántica, explica...   Después de haber explicado con dellate el paper de U-NET, en este video explico a detalle como utilizar los objetos DATASET y DATALOADER de PyTorch para manipular nuestros datos y entrenar nuestro modelo de U-NET. Crear nuestros propios DATASETS nos será de utilidad para el entrenamiento de mucho tipos de modelos a partir de cualquier tipo de dato que tengamos. Dado que me extendí en la duración de este video, en el siguiente explico a detalle la implementación de la clase U-NET desde cero usando PyTorch. Documentación de DATASET & DATALOADER https://pytorch.org/tutorials/beginne... Base de datos Carvana https://www.kaggle.com/c/carvana-imag... Referencia al paper original: Ronneberger, O., Fischer, P., & Brox, T. (2015). U-Net: Convolutional Networks for Biomedical Image Segmentation (arXiv:1505.04597). arXiv. https://doi.org/10.48550/arXiv.1505.0... Acerca de la serie Fundamentos de Deep Learning con Python y PyTorch: En esta serie de videos explico qué son las Redes Neuronales (Neural Networks) y qué es Aprendizaje Computacional (Machine Learning) así como Deep Learning. Empezamos con los principios matemáticos fundamentales hasta su implementación en código. Para esto, primero utilizaremos Python y Numpy para entender los principios de programación de Redes Neuronales incluyendo el algoritmo de retropropagación (backpropagation). Con estas bases, presentaremos el framework PyTorch y construiremos modelos más complejos como son Redes Neuronales Convolucionales (Convolutional Neural Networks - CNNs). About the video series: In this video series I will explain what Neural Networks are, and how Deep Neural Networks work, from the mathematical principles to their implementation in code. Firstly, we will use pure Python and Numpy to understand the fundamentals including backpropagation for a simple Fully Connected Network, and from there we will build on to Convolutional Neural Networks (CNN) using PyTorch. I will be uploading at least one new video every week until we reach different architectures of CNNs. Then, depending on the response and interest in the series I may cover newer models using Generative Adversarial Networks (GANs), and Recurrent Neural Networks.