eat_pytorch_in_20_days
1.0.0
يفترض هذا الكتاب أن القراء لديهم أساس معين في التعلم الآلي والتعلم العميق ، واستخدموا keras أو Tensorflow أو pytorch لبناء نماذج بسيطة مدربة.
الاسم المستعار هو نسخة فيديو من "Eat That Pytorch في 20 يومًا" يتم تسجيلها إلى Bilibili. عشاق الطعام مليئة بقلوبهم ، فقط لأنيها نكهة محلية. الأصدقاء الجدد والقدامى مرحب بهم للحضور وتذوقه ؟؟!
https://www.bilibili.com/video/bv1ua411p7oe
هذا الكتاب عبارة عن كتاب مرجعي تمهيدي Pytorch ودود للغاية للمستخدمين البشريين. لا تدعني أفكر هو أعلى السعي لهذا الكتاب.
يتم تجميع هذا الكتاب بشكل أساسي وكتابته بناءً على الإشارة إلى وثائق Pytorch الرسمية ووثائق Doct Doc.
على الرغم من أن وثائق Pytorch الرسمية موجزة وواضحة تمامًا ، فقد قام هذا الكتاب بالكثير من التحسينات في اختيار بنية الفصل والأمثلة ، وهو أفضل من حيث سهولة الاستخدام.
يقوم هذا الكتاب بتصميم المحتوى وفقًا لصعوبة المحتوى وعادات البحث في القارئ والبنية الهرمية الخاصة بـ Pytorch ، خطوة بخطوة ومستويات واضحة ، مما يجعل من المناسب العثور على أمثلة مماثلة وفقًا للوظائف.
هذا الكتاب بسيط ومنظم قدر الإمكان في تصميم المثال ، ويعزز قابلية القراءة وتنوع الأمثلة. يمكن استخدام معظم قصاصات التعليمات البرمجية خارج المربع في الممارسة العملية.
إذا كان حوالي 5 سنوات لإتقان Pytorch من خلال تعلم المستندات الرسمية Pytorch ، فيجب أن تكون صعوبة إتقان Pytorch من خلال هذا الكتاب حوالي 2.
فقط الشكل التالي يقارن الاختلافات بين وثيقة Pytorch الرسمية وكتاب "Eat That Pytorch في 20 يومًا".
1. خطة الدراسة
كتب المؤلف هذا الكتاب باستخدام حوالي 3 أشهر من وقت فراغه ، ويجب أن يكون معظم القراء قادرين على تعلمه بالكامل في غضون 20 يومًا.
وقت الدراسة الذي تقضيه كل يوم يتراوح بين 30 دقيقة وساعتين.
بالطبع ، هذا الكتاب مناسب جدًا أيضًا كمرجع لدليل Pytorch Tool عندما يتم تنفيذه كمكتبة مثال.
انقر على العنوان الأزرق لمحتوى التعلم للدخول إلى هذا الفصل.
| تاريخ | محتوى التعلم | صعوبة المحتوى | وقت الدراسة المقدر | حالة التحديث |
|---|---|---|---|---|
| 1. عملية نمذجة Pytorch | ️ | 0 على بعد | ✅ | |
| يوم 1 | 1-1 ، مثال عملية نمذجة البيانات المنظمة | ️ | 1 ساعة | ✅ |
| يوم 2 | 1-2 ، مثال عملية نمذجة بيانات الصور | ️ | 2 ساعة | ✅ |
| يوم 3 | 1-3 ، مثال عملية نمذجة البيانات النصية | ️ | 2 ساعة | ✅ |
| يوم 4 | 1-4 ، مثال عملية نمذجة بيانات السلسلة الزمنية | ️ | 2 ساعة | ✅ |
| 2. المفهوم الأساسي لبيتورش | ️ | 0 على بعد | ✅ | |
| يوم 5 | 2-1 ، بنية بيانات الموتر | ️ | 1 ساعة | ✅ |
| يوم 6 | 2-2 ، الآلية التفاضلية التلقائية | ️ | 1 ساعة | ✅ |
| يوم 7 | 2-3 ، مخطط الحساب الديناميكي | ️ | 2 ساعة | ✅ |
| 3. التسلسل الهرمي Pytorch | ️ | 0 على بعد | ✅ | |
| يوم 8 | 3-1 ، عرض API منخفض الترتيب | ️ | 1 ساعة | ✅ |
| يوم 9 | 3-2 ، مظاهرة واجهة برمجة التطبيقات الوسيطة | ️ | 1 ساعة | ✅ |
| يوم 10 | 3-3 ، مظاهرة API المتقدمة | ️ | 1 ساعة | ✅ |
| 4. API من Pytorch منخفض الترتيب | ️ | 0 على بعد | ✅ | |
| Day11 | 4-1 ، التشغيل الهيكلي للترنز | ️ | 2 ساعة | ✅ |
| يوم 12 | 4-2 ، التشغيل الرياضي للترنز | ️ | 1 ساعة | ✅ |
| يوم 13 | 4-3 ، nn.functional و nn.module | ️ | 1 ساعة | ✅ |
| 5. واجهة برمجة تطبيقات Pytorch الوسيطة | ️ | 0 على بعد | ✅ | |
| يوم 14 | 5-1 ، مجموعة البيانات و dataloader | ️ | 1 ساعة | ✅ |
| يوم 15 | 5-2 ، طبقة نموذج | ️ | 2 ساعة | ✅ |
| يوم 16 | 5-3 ، وظيفة الخسارة | ️ | 1 ساعة | ✅ |
| يوم 17 | 5-4 ، تصور Tensorboard | ️ | 1 ساعة | ✅ |
| 6. واجهة برمجة تطبيقات Pytorch المتقدمة | ️ | 0 على بعد | ✅ | |
| يوم 18 | 6-1 ، 3 طرق لبناء نموذج | ️ | 0.5 ساعة | ✅ |
| يوم 19 | 6-2 ، 3 طرق لتدريب النموذج | ️ | 1 ساعة | ✅ |
| يوم 20 | 6-3 ، استخدم GPU لتدريب النموذج | ️ | 1 ساعة | ✅ |
| * | PostScript: عرض المنتج الخاص بي | ️ | 0 على بعد | ✅ |
2. بيئة التعلم
تتم كتابة جميع رموز المصدر لهذا الكتاب في Jupyter وتم اجتياز الاختبار. يوصى باستنساخه محليًا من خلال GIT وتشغيل التعلم بشكل تفاعلي في Jupyter.
الخطوة 1: استنساخ الكود المصدري لهذا الكتاب إلى المنطقة المحلية ، استخدم كود سحابة مرآة المستودع للتنزيل بشكل أسرع في الصين
git clone https://gitee.com/Python_Ai_Road/eat_pytorch_in_20_days
Step2: خوارزمية الحساب الرسمية ، قم بتجديد الغذاء ، الكلمات الرئيسية: Pytorch ، احصل على حزمة ضغط ملخص مجموعة البيانات المستخدمة في هذا المشروع EAT_PYTORCH_DATASETS.ZIP BAIDU CLOOD DISK DONDAND LINK ، وتنزيل وإزالة الضغط والانتقال إلى مسار EAT_PYTORCH_IN_20_DAYS ، حوالي 160 مترًا.
import torch
from torch import nn
print ( "torch version:" , torch . __version__ )
a = torch . tensor ([[ 2 , 1 ]])
b = torch . tensor ([[ - 1 , 2 ]])
c = a @ b . t ()
print ( "[[2,1]]@[[-1],[2]] =" , c . item ()) torch version: 2.0.1
[[2,1]]@[[-1],[2]] = 0
مناسبة للطلاب المهتمين بمجالات التوصية الإعلانية ويحتاجون إلى المتقدم؟
| تاريخ | محتوى التعلم | صعوبة المحتوى | وقت الدراسة المقدر | حالة التحديث |
|---|---|---|---|---|
| 7. توصيات Pytorch و Advertising | ️ | 0 على بعد | ✅ | |
| يوم 1 | 7-1 ، أعمال الخوارزمية الموصى بها | ️ | 0.5 ساعة | ✅ |
| يوم 2 | 7-2 ، أعمال الخوارزمية الإعلانية | ️ | 0.5 ساعة | ✅ |
| يوم 3 | 7-3 ، نموذج FM | ️ | 1 ساعة | ✅ |
| يوم 4 | 7-4 ، نموذج deepfm | ️ | 1 ساعة | ✅ |
| يوم 5 | 7-5 ، نموذج fibinet | ️ | 2 ساعة | ✅ |
| يوم 6 | 7-6 ، نموذج Deepcross | ️ | 2 ساعة | ✅ |
| يوم 7 | 7-7 ، شبكة الدين | ️ | 2 ساعة | ✅ |
| يوم 8 | 7-8 ، شبكة ديان | ️ | 2 ساعة | ✅ |
مقدمة لبعض الأدوات المحيطية المتعلقة ببيتورش
| تاريخ | محتوى التعلم | صعوبة المحتوى | وقت الدراسة المقدر | حالة التحديث |
|---|---|---|---|---|
| بيض عيد الفصح: أدوات Pytorch الطرفية | ️ | 0 على بعد | ✅ | |
| يوم 1 | A-1 ، دليل استخدام GPU Free Kaggle | ️ | 1 ساعة | ✅ |
| يوم 2 | A-2 ، SPERTELIT يبني تطبيقات التعلم الآلي | ️ | 1 ساعة | ✅ |
| يوم 3 | A-3 ، استخدم رقاقة MAC M1 لتسريع Pytorch | ️ | 1 ساعة | ✅ |
| يوم 4 | A-4 ، دليل سحرية تعديل المعلمة البصرية Optuna | ️ | 1 ساعة | ✅ |
| يوم 5 | A-5 ، Gradio يجعل نموذج التعلم الآلي الخاص بك مثير | ️ | 1 ساعة | ✅ |
| يوم 6 | A-6 ، التحليل البصري نموذج WANDB | ️ | 0.5 ساعة | ✅ |
| يوم 7 | A-7 ، تصور نموذج WANDB وتعديل المعلمة التلقائي | ️ | 1 ساعة | ✅ |
تم تحسين رمز الفصل ذي الصلة وتعديله وفقًا لذلك.
| وظيفة | دعم مستقر لإصدار البدء | تعتمد على المكتبة أو استعارة |
|---|---|---|
| ✅ شريط التقدم التدريبي | 3.0.0 | الاعتماد على TQDM ، تعلم من keras |
| ✅ مؤشرات تقييم التدريب | 3.0.0 | بالاعتماد على pytorch_lightning |
| ✅ التدريب في دفتر الملاحظات يأتي مع التصور | 3.8.0 | ارسم من Fastai |
| ✅ التوقف المبكر | 3.0.0 | الرسم على كيراس |
| ✅ تدريب GPU | 3.0.0 | تعتمد على التسارع |
| ✅ التدريب متعدد GPUS (DDP) | 3.6.0 | تعتمد على التسارع |
| ✅ FP16/BF16 التدريب | 3.6.0 | تعتمد على التسارع |
| callback tensorboard | 3.7.0 | تعتمد على Tensorboard |
| callback WANDB | 3.7.0 | تعتمد على WANDB |
للحصول على تفاصيل ، يرجى الرجوع إلى رابط المشروع :: https://github.com/lyhue1991/torchkeras
إذا كان هذا الكتاب مفيدًا لك ، أود أن أشجع المؤلف ، تذكر إضافة نجم إلى هذا المشروع ومشاركته مع أصدقائك؟!
إذا كان لديك بعض الأسئلة أو الاقتراحات حول محتوى هذا الكتاب ، فيمكنك الرد على الكلمات الرئيسية في الواجهة الخلفية للحساب الرسمي "Galgorithm Food House": انضم إلى المجموعة والانضمام إلى مجموعة Exchange Reader لمناقشة الجميع.
