deep_learning_from_scratch

DeepLearning/Ai aus Stracth

Einführung

Dieses Repo dient zum Üben von tiefem Lernen und generativen KI. Grundsätzlich deckt es die beliebten Deep -Learning -Modelle in CV, NLP, Genai usw. ab. Das Ziel dieses Repo ist es, ein umfassendes und praktisches Verständnis für tiefes Lernen und generative KI zu vermitteln. Das Repo ist so strukturiert, dass es die folgenden Themen abdeckt:

• Vorhersagemodelle: Wird zur Regression, Klassifizierung usw. verwendet.
  • Googlenet
  • resnet
  • Densenet
  • Empfehlungsmodelle
    • dlrm
    • Deepfm
    • Mmoe
    • Bst
• Generative Modelle: Wird verwendet, um neue Daten zu generieren
  • Autodressive Modelle
    • Pixelcnn
  • Vae
  • energiebasiertes Modell
  • Normalisierungsfluss
  • Diffusionsmodell
• Entdeckungsmodelle: Wird verwendet, um den versteckten Status der Daten für die nachgeschaltete Aufgabe zu lernen
  • Ae
  • Selbstüberprüftes Lernen:
    • Kontrastives Lernen: Simclr
  • Vit

Die obige Liste enthielt nicht alle revolutionären Werke, wie Gan, das Diffusionsmodell sind nicht enthalten. Ich bin auf dem Weg zum praktischen Üben und würde sie später weiter hinzufügen.

Alle Modelle werden unter Verwendung von Pytorch und Beleuchtung codiert. Wir haben auch versucht, Hyperparameter mit Ray -Melodie abzustimmen. Benutzer, die Interesse haben, können in jedem Modellordner auf die Readme.md verweisen, um weitere Informationen zu erhalten.

Wie man benutzt

Das Repo ist so strukturiert, dass sich jedes Modell in einem separaten Ordner befindet. Benutzer können direkt zum interessierenden Ordner gehen und den Code ausführen. Der Code ist gut dokumentiert und leicht zu verstehen. Benutzer können auch in jedem Modellordner auf die Readme.md verweisen, um weitere Informationen zu erhalten.

Aufstellen

1. Klonen Sie das Repo in Ihre lokale Maschine

 cd path/to/your/workspace
git clone https://github.com/Bingzw/DL_genAI_practicing.git

2. Erstellen Sie die virtuelle Python -Umgebung

 python3 -m venv venv
source venv/bin/activate

3. Installieren Sie die erforderlichen Pakete

 pip install -r requirements.txt

4. Gehen Sie in den Ordner jedes Modells und führen Sie den Code aus

 cd path/to/model/folder
python train.py