code of learn deep learning with pytorch

Pytorch

Lernen Sie tiefes Lernen mit Pytorch

Vielen Dank für den Kauf dieses Buches. Dieses GitHub -Repository enthält den Beispielcode für Pytorch, bei dem es sich um ein Einführung in das Deep Learning handelt. Aufgrund meiner begrenzten Ebene habe ich beim Schreiben dieses Buches auf einige Online -Informationen verwiesen, und ich möchte hier meinen Respekt gegenüber ihnen zum Ausdruck bringen. Da sich die Deep-Learning-Technologie rasant entwickelt, wird Pytorch ebenfalls ständig aktualisiert, und ich habe viele Felder, die ich beim Abschluss dieses Buches nicht behandelt habe. Daher wird dieses Repository als Follow-up-Service für den Kauf des zweiten Buches aktualisiert. Ich hoffe, ich kann Ihnen auf dem Weg zum Einstieg mit Deep Learning Slim Power auf dem Weg zur Verfügung stellen.

Hinweis: Aufgrund der Änderung der Pytorch -Version kann der Code im Buch Fehler haben, sodass alle Codes hauptsächlich auf den in diesem GitHub basieren.

Konfigurieren Sie die Umgebung

Das Buch hat bereits ausführlich angegeben, wie die Python -Umgebung auf der Grundlage von Anaconda konfiguriert und Pytorch installiert wird. Wenn Sie Ihren eigenen Computer verwenden und eine NVIDIA -Grafikkarte haben, können Sie gerne in die Welt des Deep -Lernens eintreten. Wenn Sie keine NVIDIA -Grafikkarte haben, benötigen wir eine Cloud -Computing -Plattform, um die Deep -Learning -Reise zu lernen. So konfigurieren Sie die AWS -Computerplattform

Die folgenden Kurskataloge unterscheiden sich von denen des Buches, da der Inhalt auf die zweite Ausgabe aktualisiert wird und die zweite Ausgabe bald gestartet wird! !

Kurskatalog

Teil1: Grundlagen des tiefen Lernens

• Kapitel 2: Pytorch -Grundlagen

  • Tensor und variabel
  • Automatischer Leitmechanismus
  • Dynamische und statische Bilder

• Kapitel 3: Neuronale Netze

  • Linearmodell und Gradientenabstieg
  • Logistische Regression und Optimierer
  • Mehrschichtiger neuronales Netzwerk, sequentielles und Modul
  • Tiefes neuronales Netzwerk
  • Parameterinitialisierungsmethode
  • Optimierungsalgorithmus
    • SGD
    • Momentum -Methode
    • Adagrad
    • RMSProp
    • Adadelta
    • Adam

• Kapitel 4: Faltungsnetzwerke mit Faltungen

  • Faltungsmodule in Pytorch
  • Stapelnormalisierung
  • Tiefes Netzwerk mit Wiederholungselementen, VGG
  • Weitere reichhaltige Netzwerkstruktur, Googlelenet
  • Tiefes Restnetzwerk, resnet
  • Densenet
  • Bessere Ausbildung von Faltungsnetzwerken
    • Datenverbesserung
    • Regularisierung
    • Verfall der Lernrate

• Kapitel 5: wiederkehrendes neuronales Netzwerk

  • Wiederkehrende neuronale Netzwerkmodule: LSTM und Gruu
  • Verwenden von RNN zur Bildklassifizierung
  • Zeitreihenanalyse mit RNN
  • Anwendungen der Verarbeitung natürlicher Sprache:
    • Worteinbettung
    • N-Gramm-Modell
    • SEQ-LSTM, um eine Teil des Wortes Vorhersage zu machen

• Kapitel 6: Generieren von kontroversen Netzwerken generieren

  • Automatischer Encoder
  • Variationsautomatischer Encoder
  • Generieren Sie kontrovers Netzwerke
  • Deep Falthversarial Networks (DCGANs) erzeugen menschliche Gesichter

• Kapitel 7: Tiefes Verstärkungslernen

  • Q Lernen
  • Offene AI -Fitnessstudio
  • Tiefe Q-Networks

• Kapitel 8: Pytorch Advanced

  • Tensorboard -Visualisierung
  • Flexible Daten lesen Einführung
  • Einführung in die Autograd.Funktion
  • Datenparallelität und Multi-GPU
  • Konvertieren Sie mit ONNX zum Caffe2 -Modell
  • So bereitstellen Sie ein geschultes neuronales Netzwerk
  • Erstellen Sie Ihre eigenen Pytorch -Nutzungsgewohnheiten

Part2: Anwendung von Deep Learning

• Kapitel 9: Computer Vision

  • Feinabstimmung: Lernen durch Feinabstimmung übertragen
  • Erste Erfahrung von Kaggle: Katze und Hundeschlacht
  • Semantische Segmentierung: Implementieren Sie die Klassifizierung auf Pixelebene durch FCN
  • Pixel zu Pixel generativen kontroversen Netzwerken
  • Neuralübertragung: Implementierung der Stilübertragung durch Faltungsnetze
  • Deep Dream: Erforschung der Welt in den Augen von Faltungsnetzwerken

• Kapitel 10: Verarbeitung natürlicher Sprache

  • Char rnn implementiert die textgenerierung
  • Bildunterschrift: Implementieren Sie Bilduntertitelgenerierung
  • SEQ2SEQ implementiert eine maschinelle Übersetzung
  • CNN + RNN + Aufmerksamkeit, um die Texterkennung zu realisieren

Einige andere Ressourcen

Weitere öffentliche Kurse und Lernressourcen für Deep Learning finden Sie in meinem Repository

Sie können meiner Zhihu -Kolumne und meinem Blog folgen, und Sie werden oft einige Artikel mit tiefem Lernen teilen

Ressourcen über Pytorch

Mein Github Repo Pytorch-Beglnerner

Pytorch-Tutorial

The-Incribible-Pytorch

Praktische Pytorch

Pytorchzerotoall

Awesome-Pytorch-Liste

Anerkennung

Einige Teile der zweiten Ausgabe dieses Buches beziehen sich auf das chinesische Tutorial von MXNet Gluon und verwenden MXNET/Gluon, um tiefes Lernen zu lernen.

Gluon ist ein Rahmen, der Pytorch sehr ähnlich ist. Es ist sehr einfach und einfach zu bedienen. Ich empfehle Ihnen, es zu lernen und auch Gluons chinesische Kurse zu empfehlen, die in allen Chinesen unterrichtet werden, Videos und Codepraktiken haben. Es kann gesagt werden, dass es das umfassendste Tutorial für das chinesische Deep Learning ist.