pytorch handbook

Pytorch Chinese Manual (Pytorch Handbook)

Bucheinführung

Dies ist ein Open -Source -Buch mit dem Ziel, denjenigen zu helfen, die Pytorch für die Entwicklung von Deep -Learning -Entwicklung und Forschung schnell helfen und sie verwenden.

Aufgrund meiner begrenzten Ebene habe ich beim Schreiben dieses Tutorials auf einige Online -Informationen verwiesen. Ich möchte ihnen hier meinen Respekt ausdrücken. Ich werde die ursprüngliche Adresse jedem Angebot als Referenz anhängen.

Deep Learning Technology entwickelt sich rasant und Pytorch wird ebenfalls ständig aktualisiert, und ich werde die relevanten Inhalte nach und nach verbessern.

Versionsbeschreibung

Aufgrund der Änderung der Pytorch -Version stimmt die Version des Tutorials mit der Pytorch -Version überein.

Zusammenfassung der Hauptänderungen in der Pytorch Major Version Update Aktuelle Version 1.11

Online -Version und PDF

Inländische Spiegel sind sehr schnell und werden nicht blockiert: https://www.pytorch.wiki/

Es gibt noch keine gute Methode, um PDF -Dateien zu generieren. Freunde, die mit diesem Aspekt vertraut sind, können mich kontaktieren. Ich bin dankbar.

QQ 6 Gruppen

Gruppennummer: 760443051

Klicken

Gruppe 1 (985896536) ist voll, Gruppe 2 (681980831) Gruppe 3 (773681699) ist voll von 4 (884017356) ist voll 5 (894059877) ist voll.

Fügen Sie es nicht hinzu

Neue Vorteile

Öffentliche Konto tägliche Teile von Trockenwarenartikeln

veranschaulichen

• Bitte erwähnen Sie direkt das Problem oder PR, wenn Sie den Tippfehler ändern

• Bitte achten Sie auf die Version, wenn PR

• Wenn Sie Fragen haben, stellen Sie bitte direkt das Problem auf

dankbar

Inhaltsverzeichnis

Kapitel 1: Erste Schritte mit Pytorch

1. Einführung in Pytorch
2. Pytorch Environment Construction
3. Pytorch Deep Learning: 60-minütiger Schneller Start (offiziell)
   • Tensor
   • Autograd: Suchen Sie automatisch nach Anleitung
   • Neurales Netzwerk
   • Training eines Klassifikators
   • Ausgewählter Leser: Parallele Datenverarbeitung (multiple GPU)
4. Verwandte Ressourcen Einführung

Kapitel 2 Grundlagen

Abschnitt 1 Pytorch -Grundlagen

1. Tensor
2. Automatische Anleitung
3. Neurales Netzwerkpaket NN und Optimizer OPTM
4. Datenbelastung und Vorverarbeitung

Abschnitt 2 Grundlagen des tiefen Lernens und der mathematischen Prinzipien

Die Grundlagen des tiefen Lernens und der mathematischen Prinzipien

Abschnitt 3 Einführung in neuronale Netze

Einführung in das neuronale Netzwerk Hinweis: Dieses Kapitel wird beim Öffnen mit Microsoft Edge lokal zum Öffnen abgestürzt. Bitte ermöglichen Sie, dass Chrome Firefox sich öffnen kann.

Abschnitt 4 Faltungsnetz

Faltungsnetzwerk

Abschnitt 5 wiederkehrendes neuronales Netzwerk

Wiederkehrendes neuronales Netzwerk

Kapitel 3 Praxis

Abschnitt 1 Logistische Regression Binärklassifizierung

Logistische Regression Binärklassifizierung

Abschnitt 2 CNN: Handschriftliche numerische Erkennung des MNIST -Datensatzes

CNN: Handschriftliche numerische Erkennung des MNIST -Datensatzes

Abschnitt 3 RNN Beispiel: Vorhersage von COS durch Sünde

RNN -Instanz: Vorhersage von COS durch Sünde

Kapitel 4 Verbesserung

Abschnitt 1 Feinabstimmung

Feinabstimmung

Abschnitt 2 Visualisierung

Visum

Tensorboardx

Visuell verständliche Faltungsnetze verstehen

Abschnitt 3 Fast.ai

Fast.ai

Einige Tipps zum Training in Abschnitt 4

Abschnitt 5 Parallele Multi-GPU-Training

Multi-GPU Parallel Computing

Ergänzungsübersetzungsartikel: Verwenden von DistributedDataparallel in Pytorch für Multi-GPU-Verteilungsmodelltraining

Verwenden Sie DistributedDataparallel in Pytorch für Multi-GPU-Verteilungsmodelltraining

Kapitel 5 Anwendung

Abschnitt 1 Kaggle Einführung

Einführung in Kaggle

Abschnitt 2 Strukturierte Daten

Pytorch verhandelt strukturierte Daten

Abschnitt 3 Computer Vision

Mode -MNIST -Bildklassifizierung

Abschnitt 4 natürliche Sprachverarbeitung

Abschnitt 5 kollaborative Filterung

Kapitel 6 Ressourcen

Torchaudio

Kapitel 7 Anhang

Himbeer -PI -Zusammenstellung und Installation von Pytorch 1.4

Zusammenfassung der gemeinsamen Operationen von Transformationen

Zusammenfassung der Verlustfunktion von Pytorch

Pytorch Optimizer Zusammenfassung

Skript

Das Skriptverzeichnis ist ein Skript, das ich geschrieben habe, um IPynb in die Online -Version und die PDF -Datei zu konvertieren. Da es sich noch in der Testphase befindet, fragen Sie bitte, ob Sie Fragen haben.

Lizenz

Diese Arbeit ist im Rahmen der Creative Commons Attribution-Non-Commercial-Share-Share-Aktie 3.0 Festlandchina-Lizenzvereinbarung lizenziert