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 ការចាត់ថ្នាក់រូបភាព ការព្យាករណ៍តម្លៃស៊េរីពេលវេលា ឬការដោះស្រាយបញ្ហាការរៀនសូត្រដែលត្រូវបានត្រួតពិនិត្យផ្សេងទៀតទេ បណ្តាញសរសៃប្រសាទជ្រៅដែលត្រូវបានរៀបចំយ៉ាងល្អអាចផ្តល់លទ្ធផលដែលម៉ូដែលរាក់ៗមិនអាចផ្គូផ្គងបាន។ សេវាកម្មនេះផ្តល់ឱ្យអ្នកនូវបណ្តាញសរសៃប្រសាទ PyTorch ដែលត្រូវបានរៀបចំយ៉ាងវិជ្ជាជីវៈដែលត្រូវបានបង្កើតឡើងជាពិសេសជុំវិញទិន្នន័យ 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**
មានមូលដ្ឋាននៅទីក្រុង London ប្រទេស England នេះគឺជាសេវាកម្មរៀនម៉ាស៊ីនឯកទេសដែលមានការផ្តោតលើការរៀនស៊ីជម្រៅនៅក្នុង PyTorch ។ រាល់បណ្តាញត្រូវបានសរសេរដោយមានការយល់ដឹងអំពី GPU ដែលបានបង្កើតឡើងនៅក្នុងនោះ ហើយរាល់ការចូលរួមចាប់ផ្តើមដោយការពិភាក្សាពិតប្រាកដអំពីទិន្នន័យរបស់អ្នក — ពីព្រោះគំរូដ៏ល្អបំផុតសម្រាប់បញ្ហារបស់អ្នកគឺគំរូដែលត្រូវបានរចនាឡើងជុំវិញវា។
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

ខ្ញុំនឹងបង្កើតម៉ូដែល Computer Vision & Deep Learning ផ្ទាល់ខ្លួននៅក្នុង Python

ខ្ញុំនឹងបង្កើតដំណោះស្រាយ Computer Vision & Deep Learning ផ្ទាល់ខ្លួននៅក្នុង Python






