آموزش PyTorch برای تازه‌کارها: ساخت اولین مدل یادگیری عمیق شما در پایتون [راهنمای قدم به قدم]

ساخت اولین شبکه عصبی ساده با PyTorch

در این مرحله قراره اولین شبکه عصبی خودمون رو با پایتورچ بسازیم. از تعریف مدل تا آموزش و ارزیابی عملکردش، همه چیز رو قدم به قدم با هم پیش می‌ریم. این بخش دقیقاً همونجاییه که آموزش‌های پروژه‌محور ماراد می‌درخشه—یعنی تبدیل مفاهیم خشک به مهارت‌های واقعی.

تعریف مدل با nn.Module

برای ساخت مدل در PyTorch، از کلاس nn.Module استفاده می‌کنیم. بیاید یک شبکه عصبی خیلی ساده برای طبقه‌بندی تصاویر MNIST (اعداد دست‌نویس) تعریف کنیم:
python
CopyEdit
import torch.nn as nn
import torch.nn.functional as F

class SimpleNet(nn.Module):
    def __init__(self):
        super(SimpleNet, self).__init__()
        self.fc1 = nn.Linear(28*28, 128)  # لایه اول
        self.fc2 = nn.Linear(128, 10)     # لایه خروجی

    def forward(self, x):
        x = x.view(-1, 28*28)  # فلت‌کردن تصویر
        x = F.relu(self.fc1(x))
        x = self.fc2(x)
        return x

در آموزش‌های ماراد، ساختار این کدها با دیاگرام‌های ساده توضیح داده می‌شه تا تازه‌کارها بهتر درکش کنن.

انتخاب تابع هزینه و بهینه‌ساز

حالا که مدل ساخته شد، باید مشخص کنیم که چطور یاد بگیره! این کار با تعریف تابع هزینه (loss function) و بهینه‌ساز (optimizer) انجام می‌شه:
python
CopyEdit
import torch.optim as optim

model = SimpleNet()
criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(model.parameters(), lr=0.01)
در ماراد، تفاوت بین loss functionها و اینکه کِی کدومشون رو استفاده کنیم، با مثال‌های ساده و تمرین‌های کاربردی آموزش داده می‌شه.

آموزش مدل روی داده‌ها

برای تست مدل، از دیتاست MNIST یا داده‌های ساختگی استفاده می‌کنیم. این مثال با MNIST هست:
python
CopyEdit
from torchvision import datasets, transforms
from torch.utils.data import DataLoader

# پیش‌پردازش داده‌ها
transform = transforms.ToTensor()
train_dataset = datasets.MNIST(root='./data', train=True, transform=transform, download=True)
train_loader = DataLoader(train_dataset, batch_size=64, shuffle=True)

# حلقه آموزش
for epoch in range(1):
    for images, labels in train_loader:
        optimizer.zero_grad()
        outputs = model(images)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()
در دوره‌های ویدیویی ماراد، این بخش با توضیح کامل گام‌به‌گام و با نشون دادن نحوه نمایش دقیق loss در هر epoch آموزش داده می‌شه.

ارزیابی عملکرد مدل

در نهایت باید بدونیم که این مدل چقدر خوب کار کرده:
python
CopyEdit
correct = 0
total = 0
with torch.no_grad():
    for images, labels in train_loader:
        outputs = model(images)
        _, predicted = torch.max(outputs.data, 1)
        total += labels.size(0)
        correct += (predicted == labels).sum().item()

accuracy = 100 * correct / total
print(f'Accuracy: {accuracy:.2f}%')
در آموزش‌های ماراد، یاد می‌گیرید چطور از ماتریس درهم‌ریختگی (confusion matrix)، نمودارهای بصری و گزارش‌های طبقه‌بندی برای تحلیل بهتر عملکرد مدل استفاده کنید.

درک فرآیند آموزش: قدم‌به‌قدم با پایتورچ (PyTorch)

وقتی صحبت از یادگیری ماشین و شبکه‌های عصبی می‌شه، شاید مهم‌ترین بخش، فرآیند آموزش باشه. این همون جاییه که مدل شما کم‌کم از داده‌ها یاد می‌گیره و هوشمندتر می‌شه. در این بخش، قراره این مسیر رو کاملاً عملی و قابل لمس طی کنیم، درست مثل دوره‌هایی که توی ماراد تدریس می‌شن.
جلو رفتن در هر Epoch
در PyTorch، آموزش مدل در قالب تکرارهای متوالی به نام epoch انجام می‌شه. هر epoch یعنی مدل یه بار کل دیتاست رو می‌بینه و سعی می‌کنه بهتر یاد بگیره. کدی که در آموزش‌های ماراد ارائه می‌شه، نشون می‌ده چطور در هر epoch، loss محاسبه شده، بک‌پراپگیشن انجام می‌شه و وزن‌ها به‌روزرسانی می‌شن:
python
CopyEdit
for epoch in range(num_epochs):
    running_loss = 0.0
    for images, labels in train_loader:
        optimizer.zero_grad()
        outputs = model(images)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()
        running_loss += loss.item()
    
    print(f'Epoch {epoch+1}, Loss: {running_loss/len(train_loader):.4f}')
با کمک ویدیوهای آموزشی ماراد، شما می‌تونید دقیقاً بفهمید مدل داره چی کار می‌کنه و چه اتفاقی پشت پرده می‌افته.

مشاهده Loss و تغییرات آن

مقدار loss نشون می‌ده مدل چقدر اشتباه کرده. هرچقدر loss کمتر باشه، یعنی مدل بهتر یاد گرفته. توی ماراد به شما یاد می‌دیم چطور loss رو ثبت و ترسیم کنید:
python
CopyEdit
import matplotlib.pyplot as plt

losses = []

for epoch in range(num_epochs):
    epoch_loss = 0
    for images, labels in train_loader:
        optimizer.zero_grad()
        outputs = model(images)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()
        epoch_loss += loss.item()
    avg_loss = epoch_loss / len(train_loader)
    losses.append(avg_loss)

plt.plot(losses)
plt.title('Training Loss over Epochs')
plt.xlabel('Epoch')
plt.ylabel('Loss')
plt.show()
توی پلتفرم ماراد، حتی تمرین‌هایی طراحی شده تا خودتون loss رو تفسیر کنید و یاد بگیرید چطور براساسش تصمیم بگیرید.

چگونگی بهبود مدل با تغییر هایپرپارامترها

یکی از جذاب‌ترین بخش‌ها، بهبود عملکرد مدل با تغییر هایپرپارامترهاست. منظورمون چیه؟ مثلاً:

• •    افزایش یا کاهش نرخ یادگیری (Learning Rate)
• •    تغییر تعداد نرون‌ها یا لایه‌ها
• •    انتخاب optimizer متفاوت (مثلاً Adam به‌جای SGD)
• •    تغییر batch size

توی ماراد، یاد می‌گیرید چطور این پارامترها رو یکی‌یکی تست کنید، و چطور از ابزارهایی مثل Grid Search یا حتی Optuna برای تیون‌کردن خودکار استفاده کنید.

این بخش از مسیر یادگیری دقیقاً همون‌جاست که تفاوت بین یه مدل معمولی و یه مدل خوب مشخص می‌شه. ماراد سعی کرده با دوره‌های قدم‌به‌قدم، کاری کنه حتی اگه برای بار اولت باشه که کدی مثل PyTorch می‌نویسی، باز هم همه‌چیز برات روشن و قابل درک باشه.
و فراموش نکن—تو ماراد تنها نیستی. از استادها گرفته تا پشتیبانی حرفه‌ای، همه هستن تا کمک کنن بهترین خروجی رو از مدل‌هات بگیری 💚

نکاتی برای تازه‌کارها: از خطا تا حرفه‌ای شدن در پایتورچ

قدم گذاشتن به دنیای یادگیری عمیق مثل ورود به یه سرزمین جدیده: هیجان‌انگیزه، اما پر از چاله‌چوله و کدهایی که اول کار بیشتر شبیه زبان بیگانگانن تا یه ابزار ساده. اینجا چند نکته اساسی رو مرور می‌کنیم تا مسیرت هموارتر شه—مثل چیزایی که توی دوره‌های آموزشی ماراد همیشه به تازه‌کارها گوشزد می‌شه.

رایج‌ترین خطاها و نحوه رفع آن‌ها

اگه تازه‌کاری، به احتمال زیاد این خطاها رو تجربه می‌کنی (و البته، به لطف دوره‌های ماراد سریع هم یاد می‌گیری چطور حلشون کنی):

• •    اندازه نامطابق (Shape mismatch)

وقتی سایز لایه‌ها یا خروجی‌ها با هم جور نیست، PyTorch با خطایی مثل RuntimeError: mat1 and mat2 shapes cannot be multiplied قهر می‌کنه. راه حل؟ همیشه print(tensor.shape) بزن، یا از model.summary() (در ترکیب با torchinfo) استفاده کن.

• •    فراموش‌کردن optimizer.zero_grad()
  یادت باشه قبل از loss.backward() باید گرادیان‌ها رو صفر کنی. این یکی از اولین چیزهایی‌یه که توی تمرین‌های ماراد بهش تأکید می‌شه.
   
• •    خطای دستگاه (device mismatch)
  وقتی بخشی از داده‌ها روی GPU باشه و بخش دیگه روی CPU، مدلت قاطی می‌کنه! همیشه با to(device) همه‌چیز رو هماهنگ کن.

منابع رایگان برای یادگیری بیشتر

اگه دوست داری مستقل‌تر پیش بری، یا دنبال تقویت یادگیری‌ات بعد از دوره‌های ماراد هستی، این منابع رایگان عالی‌ان:

• •    PyTorch Official Tutorials
• •    Fast.ai Course
• •    Kaggle Learn
• •    کانال یوتیوب deeplizard و Sentdex

اما چیزی که هیچ‌کدوم از این منابع ندارن، پشتیبانی فارسی، آموزش ساده‌شده و پروژه‌محور ماراده! ماراد دقیقاً برای بچه‌های علاقه‌مند به AI و ML طراحی شده که می‌خوان تو فضای فارسی‌زبان، قدم‌به‌قدم یاد بگیرن.

توصیه‌هایی برای ادامه مسیر: پروژه‌های پیشنهادی و دوره‌ها

بعد از خوندن این مقاله و انجام تمرین‌ها، بهترین کاری که می‌تونی بکنی، ساختن پروژه شخصیه. اینا چند ایده‌ ان که تو ماراد هم توصیه می‌شن:

• •    مدل تشخیص دست‌نوشته با MNIST
• •    دسته‌بندی تصاویر با دیتاست CIFAR-10
• •    ساخت یک مدل پیش‌بینی قیمت مسکن
• •    پروژه تحلیل احساسات از روی متن (Sentiment Analysis)
• همچنین می‌تونی مسیر حرفه‌ای‌تری رو با دوره‌های پیشرفته ماراد ادامه بدی، مثلاً:
• •    یادگیری عمیق کاربردی با PyTorch
• •    پیاده‌سازی شبکه‌های پیچشی (CNN)
• •    دوره پروژه‌محور «از مدل تا محصول»

در پایان، بدون که همه اشتباه می‌کنن، مهم اینه که با حمایت و منابع درست جلو بری. ماراد قراره همراه همیشگیت تو این مسیر باشه. از اولین خط کدی که با ترس نوشتی، تا روزی که یه مدل قدرتمند با افتخار تو رزومه‌ات بذاری. 😊

جمع‌بندی

یادگیری عمیق، با وجود پیچیدگی‌هایش، اگر با ابزار مناسبی مثل پایتورچ (PyTorch) و با تمرین عملی شروع شود، می‌تواند در دسترس‌ترین مسیر برای ورود به دنیای هوش مصنوعی باشد. این مقاله، یک نقطه شروع مناسب است، اما تنها آغاز راه است.