Lección 18 del módulo “Redes Transformer” del curso Fundamentos de Deep Learning con Python.
En la lección anterior vimos cómo usar las Redes Transformer para la clasificación de imágenes, una tarea propia de la visión por computador.
Para dar cierre a este curso, en esta última lección resumiremos las principales ventajas y limitaciones de estas Redes Transformer:
Contenido exclusivo para suscriptores
Si eres suscriptor accede en este enlace ó suscríbete a la Academia Online y accede a todo el contenido (lecciones en video, código fuente, sets de datos y descargas) de todos los cursos, proyectos y tutoriales.
Las principales ventajas de las Redes Transformer incluyen su capacidad para procesar secuencias en paralelo, a diferencia de las Redes Recurrentes y LSTM, y el uso de bloques atencionales que determinan relaciones entre elementos de secuencias a diferentes niveles.
Sin embargo, estas ventajas vienen con desventajas significativas, como su alto costo computacional y, por ende, su impacto ambiental.
Así que ¡felicitaciones por haber culminado este curso de Fundamentos de Deep Learning con Python y espero que le hayas sacado el máximo provecho!
Te invito a ver el video de cierre donde resumiremos de manera muy breve todo lo aprendido en este curso:
Contenido exclusivo para suscriptores
Si eres suscriptor accede en este enlace ó suscríbete a la Academia Online y accede a todo el contenido (lecciones en video, código fuente, sets de datos y descargas) de todos los cursos, proyectos y tutoriales.
Y por último te invito a contactarme a través del enlace para usuarios disponible en la Intranet y a darme tu retroalimentación sobre este curso así como tus sugerencias para futuros cursos y para seguir mejorando el contenido de la Academia.
Además, te invito a continuar tu formación con los diferentes cursos disponibles acá la Academia Online de Codificando Bits.
¡Un saludo y nos vemos en el próximo curso!