ទទួលបានបណ្តាញសរសៃប្រសាទជ្រៅដែលបានបង្កើតតាមបំណងនៅក្នុង PyTorch — ការចាត់ថ្នាក់ ឬការតំរែតំរង់ — ជាមួយនឹងការរៀបចំទិន្នន័យពេញលេញ ការគាំទ្រ GPU និងកូដស្អាតដែលត្រៀមរួចជាស្រេចដើម្បីដំណើរការដែលបានផ្តល់ជូនតាមលក្ខណៈបច្ចេកទេសរបស់អ្នក។
ខ្ញុំនឹងបង្កើតបណ្តាញសរសៃប្រសាទ Deep Learning នៅក្នុង PyTorch
បណ្តាញសរសៃប្រសាទជ្រៅសម្រាប់បញ្ហាចំណាត់ថ្នាក់ ឬការវិភាគសាមញ្ញជាមួយនឹងការរៀបចំទិន្នន័យពេញលេញ។
- ស្ថាបត្យកម្ម Feed-Forward, Convolutional ឬ Recurrent ដែលបានជ្រើសរើសសម្រាប់បញ្ហារបស់អ្នក
- ការរៀបចំទិន្នន័យពេញលេញ៖ តម្លៃដែលបាត់ ការសរសេរកូដ ការបំបែកការបណ្តុះបណ្តាល/ការផ្ទៀងផ្ទាត់/ការធ្វើតេស្ត
- ការបំបែកស្រទាប់ត្រូវបានអនុវត្តនៅកន្លែងដែលអតុល្យភាពថ្នាក់តម្រូវឱ្យមាន
- ការបំប្លែងស្ថិតិលើអថេរគោលដៅលេខ
- កូដ PyTorch ដែលដឹងពី GPU (រកឃើញ GPU ដោយស្វ័យប្រវត្តិ ត្រឡប់ទៅ CPU វិញ)
- បានចែកចាយជាកូដប្រភព Python / PyTorch ដែលត្រៀមរួចជាស្រេច
ការបង្កើតបណ្តាញសរសៃប្រសាទដែលស្មុគស្មាញជាងមុន ជាមួយនឹងវិស្វកម្មលក្ខណៈពិសេសកាន់តែស៊ីជម្រៅ និងការអភិវឌ្ឍន៍ស្ថាបត្យកម្មបន្ថែម។
- អ្វីគ្រប់យ៉ាងនៅក្នុងកម្រិត Simple
- ស័ក្តិសមសម្រាប់សំណុំទិន្នន័យស្មុគស្មាញបន្ថែមទៀតដែលទាមទារការដំណើរការបឋមស៊ីជម្រៅ
- វិស្វកម្មលក្ខណៈពិសេសបន្ថែម និងការកាត់បន្ថយវិមាត្រនៅកន្លែងដែលត្រូវការ
- ការកំណត់រចនាសម្ព័ន្ធស្ថាបត្យកម្មដែលពាក់ព័ន្ធជាងមុន និងការរៀបចំ hyperparameter
- កូដ PyTorch ដែលដឹងពី GPU (រកឃើញ GPU ដោយស្វ័យប្រវត្តិ ត្រឡប់ទៅ CPU វិញ)
- បានចែកចាយជាកូដប្រភព Python / PyTorch ដែលត្រៀមរួចជាស្រេច
ការចូលរួមក្នុងការរៀនសូត្រស៊ីជម្រៅពីដើមដល់ចប់សម្រាប់សំណុំទិន្នន័យដែលទាមទារ និងវិសាលភាពនៃការបង្កើតគំរូទូលំទូលាយបំផុត។
- អ្វីគ្រប់យ៉ាងនៅក្នុងកម្រិតស្តង់ដារ
- វិសាលភាពទូលំទូលាយបំផុតនៃការរៀបចំទុកជាមុន វិស្វកម្ម និងការរចនាបណ្តាញ
- ស័ក្តិសមសម្រាប់សំណុំទិន្នន័យដែលទាមទារបំផុត និងបញ្ហាព្យាករណ៍ស្មុគស្មាញ
- ការពិភាក្សាពេញលេញអំពីវិសាលភាពដើម្បីបញ្ជាក់ស្ថាបត្យកម្ម គោលដៅ និងការសម្រេចចិត្តដំណើរការបឋមទាំងអស់។
- កូដ PyTorch ដែលដឹងពី GPU (រកឃើញ GPU ដោយស្វ័យប្រវត្តិ ត្រឡប់ទៅ CPU វិញ)
- បានចែកចាយជាកូដប្រភព Python / PyTorch ដែលត្រៀមរួចជាស្រេច
ស្នើសុំការផ្តល់ជូនផ្ទាល់ខ្លួន
ចូលគណនីដើម្បីស្នើសុំការផ្តល់ជូនផ្ទាល់ខ្លួន
បង្កើតគណនីឥតគិតថ្លៃ ឬចូលគណនីដើម្បីស្នើសុំការផ្តល់ជូនផ្ទាល់ខ្លួនពី Zinner នេះ។
ចូល / ចុះឈ្មោះសួរសំណួរមុនពេលលក់
ចូលដើម្បីសួរសំណួរ
ដើម្បីកាត់បន្ថយសារឥតបានការនៅលើវេទិកា សារមុនពេលលក់អាចត្រូវបានផ្ញើដោយអ្នកប្រើប្រាស់ដែលបានចូលប៉ុណ្ណោះ។
បង្កើតគណនីឥតគិតថ្លៃ ឬចូលដើម្បីផ្ញើសារទៅ Zinner នេះដោយផ្ទាល់។
ចូល / ចុះឈ្មោះនៅ glance
ព័ត៌មានលម្អិតសំខាន់ៗអំពីសេវាកម្មនេះ ដើម្បីជួយអ្នកសម្រេចចិត្ត។ បង្កើតដោយ Zinn Hub មិនមែនអ្នកលក់ទេ។
ទីតាំងតម្លៃ
ប្រភេទបណ្តាញ
ការគាំទ្រភារកិច្ច
ការរៀបចំទិន្នន័យ
តម្រូវការនៃការបញ្ជាទិញជាមុន
អ្វីដែលអ្នកនឹងទទួលបាន
ការពិពណ៌នាពេញលេញ
មិនថាអ្នកកំពុងទស្សន៍ទាយពីការបាត់បង់អតិថិជន ចាត់ថ្នាក់រូបភាព ព្យាករណ៍តម្លៃស៊េរីពេលវេលា ឬដោះស្រាយបញ្ហាការរៀនសូត្រដែលមានការត្រួតពិនិត្យផ្សេងទៀតទេ បណ្តាញសរសៃប្រសាទដ៏ស៊ីជម្រៅដែលត្រូវបានរៀបចំយ៉ាងល្អអាចផ្តល់លទ្ធផលដែលម៉ូដែលរាក់ៗមិនអាចផ្គូផ្គងបាន។ សេវាកម្មនេះផ្តល់ឱ្យអ្នកនូវបណ្តាញសរសៃប្រសាទ PyTorch ដែលត្រូវបានរចនាឡើងប្រកបដោយវិជ្ជាជីវៈដែលត្រូវបានបង្កើតឡើងជាពិសេសជុំវិញទិន្នន័យ និងគោលបំណងរបស់អ្នក — មិនមែនជាគំរូដែលបានកែច្នៃឡើងវិញនោះទេ។
រាល់គម្រោងទាំងអស់ចាប់ផ្តើមដោយការសន្ទនា។ មុនពេលសរសេរកូដណាមួយ វិសាលភាព រូបរាងទិន្នន័យ អថេរគោលដៅ និងរង្វាស់ជោគជ័យត្រូវបានពិភាក្សា ដូច្នេះស្ថាបត្យកម្មដែលបានជ្រើសរើសគឺត្រឹមត្រូវសម្រាប់បញ្ហារបស់អ្នក — មិនមែនគ្រាន់តែជាស្ថាបត្យកម្មទូទៅបំផុតនោះទេ។
**អ្វីដែលរួមបញ្ចូលក្នុងគ្រប់កម្រិត**
ការរៀបចំទិន្នន័យត្រូវបានដោះស្រាយពីដើមដល់ចប់៖ តម្លៃដែលបាត់ត្រូវបានដោះស្រាយ សំណុំការបណ្តុះបណ្តាល ការផ្ទៀងផ្ទាត់ និងការធ្វើតេស្តត្រូវបានបង្កើតឡើង (បែងចែកកន្លែងដែលការចែកចាយថ្នាក់ទាមទារវា) អថេរដែលមិនមែនជាលេខត្រូវបានសរសេរកូដ ដូច្នេះគំរូអាចដំណើរការជាមួយពួកវា ហើយការបំប្លែងស្ថិតិត្រូវបានអនុវត្តទៅគោលដៅលេខនៅកន្លែងដែលសមស្រប។ បណ្តាញសរសៃប្រសាទខ្លួនវាគឺជាស្ថាបត្យកម្ម Feed-Forward, Convolutional ឬ Recurrent ដែលត្រូវបានជ្រើសរើសដើម្បីឱ្យសមនឹងបញ្ហា ហើយកូដត្រូវបានសរសេរដើម្បីរកឃើញ និងប្រើប្រាស់ GPU ដោយស្វ័យប្រវត្តិ ដោយធ្លាក់ចុះយ៉ាងល្អទៅ CPU នៅពេលដែលវាមិនមាន។
កម្រិតចូលគ្របដណ្តប់លើបញ្ហាចំណាត់ថ្នាក់ ឬការវិភាគសាមញ្ញជាមួយនឹងសំណុំទិន្នន័យស្អាត ឬជិតស្អាត។ កម្រិតស្តង់ដារបន្ថែមពេលវេលាបន្ថែម និងជម្រៅដែលត្រូវការដើម្បីដោះស្រាយទិន្នន័យស្មុគស្មាញ ការរៀបចំលក្ខណៈពិសេស ឬស្ថាបត្យកម្មដែលពាក់ព័ន្ធជាងនេះ។ កម្រិតពេញលេញគឺជាការចូលរួមពេញលេញពីដើមដល់ចប់ — សមរម្យសម្រាប់សំណុំទិន្នន័យ និងបញ្ហាគំរូដែលទាមទារបំផុត ជាមួយនឹងវិសាលភាពទូលំទូលាយបំផុតនៃការដំណើរការជាមុន វិស្វកម្ម និងការរចនាបណ្តាញ។
**របៀបដែលវាដំណើរការ**
1. ដាក់ការបញ្ជាទិញរបស់អ្នក ហើយចែករំលែកសំណុំទិន្នន័យ និងសេចក្តីសង្ខេបគម្រោងរបស់អ្នកតាមរយៈការជជែកបញ្ជាទិញ។
2. ការពិភាក្សាអំពីវិសាលភាពកើតឡើងដើម្បីបញ្ជាក់ស្ថាបត្យកម្ម គោលដៅ និងការសម្រេចចិត្តដំណើរការជាមុនណាមួយ។
3. បណ្តាញត្រូវបានបង្កើត បណ្តុះបណ្តាល និងផ្ទៀងផ្ទាត់ប្រឆាំងនឹងទិន្នន័យរបស់អ្នក។
4. វត្ថុដែលត្រូវប្រគល់ត្រូវបានផ្ញើតាមរយៈអ្នកគ្រប់គ្រងការបញ្ជាទិញ រួមជាមួយនឹងកំណត់ចំណាំណាមួយលើលទ្ធផល។
**សម្រាប់អ្នកណា**
សេវាកម្មនេះសាកសមសម្រាប់អ្នកវិទ្យាសាស្ត្រទិន្នន័យដែលត្រូវការគំរូមូលដ្ឋានគុណភាពផលិតកម្ម អ្នកស្រាវជ្រាវដែលចង់បានការអនុវត្ត PyTorch ដែលមានរចនាសម្ព័ន្ធល្អ និងអាជីវកម្ម ឬអ្នកអភិវឌ្ឍន៍ដែលមានទិន្នន័យដែលបានដាក់ស្លាក និងបញ្ហាការព្យាករណ៍ដែលបានកំណត់ ប៉ុន្តែត្រូវការអ្នកជំនាញដើម្បីបង្កើតគំរូឱ្យបានត្រឹមត្រូវ។
**ហេតុអ្វីអ្នកលក់នេះ**
មានមូលដ្ឋាននៅទីក្រុងឡុងដ៍ ប្រទេសអង់គ្លេស នេះគឺជាសេវាកម្មរៀនម៉ាស៊ីនឯកទេសដែលផ្តោតលើការរៀនស៊ីជម្រៅនៅក្នុង PyTorch។ រាល់បណ្តាញទាំងអស់ត្រូវបានសរសេរដោយមានការយល់ដឹងអំពី GPU ដែលបានបង្កើតឡើង ហើយរាល់ការចូលរួមទាំងអស់ចាប់ផ្តើមដោយការពិភាក្សាពិតប្រាកដអំពីទិន្នន័យរបស់អ្នក — ពីព្រោះ គំរូដ៏ល្អបំផុតសម្រាប់បញ្ហារបស់អ្នកគឺគំរូដែលបានរចនាឡើងជុំវិញវា។
ការធានាគុណភាព Zinner
Zinner គ្រប់រូបត្រូវបានត្រួតពិនិត្យ និងអនុម័តមុនពេលចូលរួមវេទិកា។
សេវាកម្មទាំងអស់ត្រូវបានគាំទ្រដោយការប្តេជ្ញាចិត្តធានាគុណភាពរបស់យើង។
ការទូទាត់របស់អ្នកត្រូវបានការពាររហូតដល់អ្នកអនុម័តការងារដែលបានប្រគល់។
ប្រៀបធៀបកញ្ចប់
| លក្ខណៈពិសេស | សាមញ្ញ | ស្តង់ដារ | ពេញ |
|---|---|---|---|
| ពេលវេលាដឹកជញ្ជូន | 2 ថ្ងៃ | 5 ថ្ងៃ | 7 ថ្ងៃ |
| ការកែប្រែ | 0 | 0 | 0 |
| ស្ថាបត្យកម្ម Feed-Forward, Convolutional ឬ Recurrent ដែលបានជ្រើសរើសសម្រាប់បញ្ហារបស់អ្នក | ✓ | ✕ | ✕ |
| ការរៀបចំទិន្នន័យពេញលេញ៖ តម្លៃដែលបាត់ ការសរសេរកូដ ការបំបែកការបណ្តុះបណ្តាល/ការផ្ទៀងផ្ទាត់/ការធ្វើតេស្ត | ✓ | ✕ | ✕ |
| ការបែងចែកតាមស្រទាប់ត្រូវបានអនុវត្តនៅពេលដែលអតុល្យភាពថ្នាក់តម្រូវឱ្យមាន | ✓ | ✕ | ✕ |
| ការបំប្លែងស្ថិតិលើអថេរគោលដៅលេខ | ✓ | ✕ | ✕ |
| កូដ PyTorch ដែលដឹងពី GPU (រកឃើញ GPU ដោយស្វ័យប្រវត្តិ ត្រឡប់ទៅ CPU វិញ) | ✓ | ✓ | ✓ |
| បានផ្តល់ជូនជាកូដប្រភព Python / PyTorch ដែលត្រៀមរួចជាស្រេច | ✓ | ✓ | ✓ |
| អ្វីគ្រប់យ៉ាងនៅក្នុងកម្រិត Simple | ✕ | ✓ | ✕ |
| ស័ក្តិសមសម្រាប់សំណុំទិន្នន័យស្មុគស្មាញដែលទាមទារការដំណើរការបឋមស៊ីជម្រៅ | ✕ | ✓ | ✕ |
| វិស្វកម្មលក្ខណៈពិសេសបន្ថែម និងការកាត់បន្ថយវិមាត្រនៅកន្លែងដែលត្រូវការ | ✕ | ✓ | ✕ |
| ការកំណត់រចនាសម្ព័ន្ធស្ថាបត្យកម្មដែលពាក់ព័ន្ធបន្ថែមទៀត និងការរៀបចំ hyperparameter | ✕ | ✓ | ✕ |
| អ្វីគ្រប់យ៉ាងនៅក្នុងកម្រិតស្តង់ដារ | ✕ | ✕ | ✓ |
| វិសាលភាពទូលំទូលាយបំផុតនៃការដំណើរការជាមុន វិស្វកម្ម និងការរចនាបណ្តាញ | ✕ | ✕ | ✓ |
| ស័ក្តិសមសម្រាប់សំណុំទិន្នន័យដែលទាមទារបំផុត និងបញ្ហាព្យាករណ៍ស្មុគស្មាញ | ✕ | ✕ | ✓ |
| ការពិភាក្សាពេញលេញដើម្បីបញ្ជាក់ស្ថាបត្យកម្ម គោលដៅ និងការសម្រេចចិត្តដំណើរការជាមុនទាំងអស់ | ✕ | ✕ | ✓ |
ផលប័ត្រ
ឧទាហរណ៍នៃការងាររបស់អ្នកលក់ដែលទាក់ទងនឹង Zinn នេះ។

បង្កើតបណ្តាញសរសៃប្រសាទរៀនជ្រៅក្នុង PyTorch


បង្កើតបណ្តាញសរសៃប្រសាទរៀនជ្រៅក្នុង PyTorch

ព័ត៌មានបន្ថែម
ហេតុអ្វីបានជាជ្រើសរើសខ្ញុំ
ឧបករណ៍ដែលខ្ញុំប្រើ
ល្អឥតខ្ចោះសម្រាប់
សំណួរដែលសួរញឹកញាប់
វាត្រូវបានណែនាំយ៉ាងខ្លាំង។ គម្រោងនីមួយៗមានលក្ខណៈខុសគ្នា — ឈុតទិន្នន័យមួយចំនួនត្រូវការការដំណើរការជាមុនយ៉ាងសំខាន់ ឯខ្លះទៀតត្រូវការជម្រើសស្ថាបត្យកម្មជាក់លាក់។ ការពិភាក្សាខ្លីមួយមុនពេលអ្នកបញ្ជាទិញធានាថាជម្រើសកម្រិត និងវិសាលភាពត្រឹមត្រូវត្រូវបានជ្រើសរើសសម្រាប់បញ្ហារបស់អ្នក ដោយជៀសវាងការពន្យារពេល ឬការរំពឹងទុកដែលមិនស៊ីគ្នា។
ទម្រង់តារាងទូទៅ (CSV, Excel) និងសំណុំទិន្នន័យរូបភាព ឬលំដាប់ស្តង់ដារទាំងអស់អាចដំណើរការបាន។ ចែករំលែកបរិបទឱ្យបានច្រើនតាមដែលអាចធ្វើទៅបានអំពីសំណុំទិន្នន័យរបស់អ្នកនៅពេលអ្នកទាក់ទង — ចំនួនលក្ខណៈពិសេស អថេរគោលដៅ ចំនួនជួរប្រហាក់ប្រហែល និងបញ្ហាគុណភាពទិន្នន័យដែលគេស្គាល់ណាមួយនឹងជួយកំណត់វិសាលភាពការងារបានត្រឹមត្រូវ។
ស្ថាបត្យកម្ម — Feed-Forward, Convolutional ឬ Recurrent — ត្រូវបានជ្រើសរើសដោយផ្អែកលើបញ្ហាជាក់លាក់ និងប្រភេទទិន្នន័យរបស់អ្នក។ នេះត្រូវបានពិភាក្សា និងយល់ព្រមមុនពេលការងារចាប់ផ្តើម ដូច្នេះអ្នកទទួលបានគំរូដែលសមស្របបំផុត មិនមែនជាគំរូទូទៅនោះទេ។
ទេ កូដ PyTorch ត្រូវបានសរសេរដើម្បីរកឃើញ GPU ដោយស្វ័យប្រវត្តិ និងប្រើប្រាស់វាប្រសិនបើមាន ប៉ុន្តែវានឹងដំណើរការលើ CPU ប្រសិនបើមិនមាន។ អ្នកមិនត្រូវការផ្នែករឹងពិសេសដើម្បីប្រើប្រាស់លទ្ធផលនោះទេ។
ការកែប្រែមិនត្រូវបានរាប់បញ្ចូលក្នុងវិសាលភាពស្តង់ដារទេ។ ការពិភាក្សាអំពីវិសាលភាពមុនការបញ្ជាទិញត្រូវបានរចនាឡើងជាពិសេសដើម្បីតម្រូវតាមតម្រូវការមុនពេលការងារចាប់ផ្តើម កាត់បន្ថយតម្រូវការសម្រាប់ការងារឡើងវិញ។ ប្រសិនបើការកែប្រែត្រូវបានទាមទារដោយសារការយល់ច្រឡំនៃសេចក្តីសង្ខេបដែលបានព្រមព្រៀង នោះវានឹងត្រូវបានដោះស្រាយតាមរយៈការជជែកបញ្ជាទិញ។
អ្នកទទួលបានកូដប្រភព Python ដែលសរសេរក្នុង PyTorch — ការអនុវត្តបណ្តាញសរសៃប្រសាទដែលត្រៀមរួចជាស្រេចដើម្បីដំណើរការពេញលេញដែលបានបណ្តុះបណ្តាលលើទិន្នន័យរបស់អ្នក រួមទាំងជំហានដំណើរការជាមុនទាំងអស់។ ប្រសិនបើអ្នកបន្ថែមរបាយការណ៍សង្ខេបគំរូដែលបានសរសេរ អ្នកក៏ទទួលបានឯកសារដែលពិពណ៌នាអំពីស្ថាបត្យកម្ម ការសម្រេចចិត្តដំណើរការជាមុន និងលទ្ធផលសំខាន់ៗផងដែរ។
កម្រិត Simple សមរម្យសម្រាប់សំណុំទិន្នន័យស្អាត ឬជិតស្អាតជាមួយនឹងកិច្ចការទស្សន៍ទាយតែមួយដែលបានកំណត់យ៉ាងច្បាស់។ កម្រិត Standard សមរម្យសម្រាប់ទិន្នន័យដែលរញ៉េរញ៉ៃជាងមុន វិស្វកម្មលក្ខណៈពិសេសដែលពាក់ព័ន្ធជាងមុន ឬស្ថាបត្យកម្មស្មុគស្មាញជាងមុន។ កម្រិត Full គ្របដណ្តប់គម្រោងដែលទាមទារបំផុត — វិសាលភាពធំ ទិន្នន័យស្មុគស្មាញ និងតម្រូវការដំណើរការមុន និងការបង្កើតគំរូទូលំទូលាយបំផុត។ ប្រសិនបើអ្នកមិនប្រាកដ សូមទាក់ទងមុនពេលបញ្ជាទិញ។
ការវាយតម្លៃរបស់អតិថិជន
មើលអ្វីដែលអតិថិជនរបស់យើងនិយាយអំពី Zinn នេះ
ចូហាន ស្វាគមន៍ដឹងថាតើខ្ញុំត្រូវការអ្វី ហើយបានធ្វើការចាំបាច់ដើម្បីបំពេញលក្ខណៈវិនិច្ឆ័យរបស់ខ្ញុំ។
ជាគម្រោងមួយទៀតដែល developper230 ធ្វើបានយ៉ាងល្អឥតខ្ចោះ! គាត់មិនដែលឈប់ផ្តល់ជូន និងធ្វើឱ្យមានការចាប់អារម្មណ៍ឡើយ!
លឿន និងមានប្រសិទ្ធភាពណាស់ ខ្ញុំសូមណែនាំ។
ការងារដ៏អស្ចារ្យដូចសព្វដង! Developer230 ផ្តល់លទ្ធផលគុណភាពរាល់ពេល! ត្រូវប្រាកដថាទំនាក់ទំនងការរំពឹងទុកឱ្យបានច្បាស់លាស់ និងទាន់ពេលវេលា ដើម្បីទទួលបានលទ្ធផលល្អបំផុត។ ខ្ញុំនឹងមិនធ្វើការជាមួយអ្នកណាផ្សេងក្រៅពីគាត់ទេ។ ខ្ញុំសូមណែនាំយ៉ាងខ្លាំងសម្រាប់គម្រោងទាំងអស់!
អ្នកលក់ល្អ និងសហការ។ គុណភាពសមរម្យ ដំណើរការ និងបំពេញតាមការរំពឹងទុកភាគច្រើនរបស់ខ្ញុំ។
មានតែអតិថិជនដែលបានចូលគណនី ហើយបានទិញផលិតផលនេះប៉ុណ្ណោះ ទើបអាចទុកការវាយតម្លៃបាន។
ប្រភេទ
គោលការណ៍ Zinner
Zinns ដែលពាក់ព័ន្ធ







