PyTorch Tutorial 2nd
v1.0.0-PD
Nach 5 Jahren, 4 Jahren und 2 Jahren wurde das "Pytorch Practical Tutorial" (zweite Ausgabe) abgeschlossen. Vor dem Wesen der ersten Ausgabe wurden reichhaltige und detaillierte Deep -Learning -Anwendungsfälle und Bergungsbereitstellungsrahmen hinzugefügt, wodurch dieses Buch systematischer das Wissen von Deep -Learning -Ingenieuren abdeckt. Zum Beispiel war die Entwicklung der Technologie für künstliche Intelligenz Welle für Wave, "Pytorch Practical Tutorial" (zweite Ausgabe) nicht vorbei, sondern setzt erneut die Segel, um neue Technologien, neue Felder und neue Kapitel zu eröffnen. Ich hoffe, dass ich in Zukunft weiterhin mit allen in der künstlichen Intelligenztechnologie lernen und fortschreiten kann.
Lesen Sie online ( Open Source kostenlos ): "Pytorch Practical Tutorial" (zweite Ausgabe)
Unterstützer Code ( Open Source Free ): "Pytorch Practical Tutorial" (zweite Ausgabe)
???: Bitte klicken Sie auf Stern, um es zu ermutigen!
Dieses Projekt wurde in die Hellogithub -Community aufgenommen und zum Hellogithub -Badge -Programm hinzugefügt
Dieses Buch nimmt grundlegende Konzepte als Eckpfeiler, Computer Vision, natürliche Sprachverarbeitung und Großsprachenmodelle als Kern- und Inferenzbereitungsrahmen als Brücke an, die den Lesern Code -Engineering und theoretische Erklärungen für die Projektimplementierung liefern. Das Buch ist in drei Teile unterteilt, den ersten Teil: Einführung, der zweite Teil: Anwendung, der nächste Teil: Implementierung.
Pytorch -Grundlagen. Für Anfänger, nicht professionelle und Studentenstudenten bieten wir eine Einführung in Pytorch, erläutern die Konstruktion der Entwicklungsumgebung und führen die Kernmodule von Pytorch wie Daten, Modelle, Optimierung und Visualisierung ein. Schließlich verwenden wir die erklärten Pytorch -Wissenspunkte, um eine Reihe eigener Codestruktur zu erstellen, um die Grundlage für nachfolgende Anwendungen zu legen.
Industrielle Anwendung. Nach dem vorherigen Artikel habe ich ein gutes Messer geschärft und es dann benutzt, um meine Fähigkeiten in verschiedenen Bereichen zu zeigen. Es werden drei Themen erklärt, nämlich Computer Vision, Verarbeitung natürlicher Sprache und großes Sprachmodell.
- -
Im CV -Kapitel enthält es Mainstream -Aufgaben, einschließlich acht Hauptaufgaben: Bildklassifizierung, Bildsegmentierung, Objekterkennung, Objektverfolgung, GaN -Generierung, Diffusionsgenerierung, Bildbeschreibung und Bildabnahme .
- -
Im NLP -Kapitel enthält es eine detaillierte Erklärung und Anwendung von RNN-, LSTM-, Transformator-, Bert- und GPT -Modellen. Die Anwendungsaufgaben umfassen fünf Hauptaufgaben: Textklassifizierung, maschinelle Übersetzung, Benennung der Körpererkennung, QA -Frage und -antwort sowie Artikelgenerierung .
- -
Im LLM -Kapitel enthält es 4 LLM -Bereitstellungen und Codeanalysen sowie eine LLM -Branchenanwendung - GPT Academic (GPT Academic Optimization) , LLM umfasst vier Hauptmodelle von Open Source in China, Qwen, Chatglm, Baichuan und Yi .
Industrie wird umgesetzt. Mit Tools und Szenarien müssen wir es wertvoll machen und verwendbare und nützliche Algorithmusdienste werden. Daher ist es üblich, den Trainingsrahmen und den starken Rahmen wie Pytorch für Bereitstellung, Beschleunigung und Quantifizierung auszuziehen. In diesem Kapitel werden die Prinzipien und die Verwendung von ONNX und Tensorrt eingeführt und gleichzeitig Tensorrt verwendet, um das Konzept der Quantisierung, die praktischen und Prinzipien von PTQ und QAT -Quantisierung zu analysieren.
Ich glaube, dass durch das Erlernen der ersten, mittleren und nächsten Artikel den Einführungsschülern helfen kann, viele Umleitungen zu vermeiden, Pytorch schnell zu beherrschen, die Möglichkeit zu haben, allein zu stehen, Algorithmusmodelle aus der Basis der tatsächlichen Szenarien auswählen und die Modelle zur Bildung einer geschlossenen Schleife basieren und den gesamten Prozess öffnen.
Klare Struktur: Das gesamte Buch ist in drei Teile unterteilt: der erste Teil (Einführung), der zweite Teil (Anwendung) und den nächsten Teil (Implementierung), wobei die Leser nach und nach dazu führen, eingehend zu lernen.
Kombination aus Theorie und Praxis: Liefert nicht nur theoretische Erklärungen, sondern ermöglicht es den Lesern auch, die Theorie in der Praxis durch reiche Projektfälle anzuwenden.
Reiche praktische Fälle: Geben Sie praktische Fälle in mehreren Bereichen wie Computer Vision, natürliche Sprachverarbeitung und Großsprachenmodelle an.
Systematische Abdeckung: Abdeckt Pytorch -Grundlagen, Computer Vision Basic -Aufgaben, Grundaufgaben für natürliche Sprache, Grundlagen in großer Sprache und Rahmen für Inferenzbereitstellungen.
Große Anwendbarkeit: Geeignet für KI-Selbststudienstudenten, KI-Produktmanager, aktuelle Studenten und Cross-Field-Personen zum Lesen und den Lesern mit unterschiedlichen Hintergründen und Bedürfnissen.
Um die Leseatmosphäre der Leser zu verbessern und Kommunikationskanäle bereitzustellen, wurde eine QQ -Kommunikationsgruppe speziell festgelegt.
Um die Qualität der Kommunikation innerhalb der Gruppe zu gewährleisten, benötigen Sie ein Passwort, um der Gruppe beizutreten. Bitte überprüfen Sie den Code
In naher Zukunft werden wir die neuesten technischen Artikel in der Gruppe teilen, darunter das CV-Projekt Practical Combat, LLM Argumenting und Bereitstellung, Rag-Systeme und andere hochmoderne Technologien. Willkommen, um an der technischen Börse teilzunehmen.
Eine Gruppe: 671103375 (voll)
Gruppe 2: 773031536 (voll)
Drei Gruppen: 514974779 (voll)
Vier Gruppen: 854620826
Diese Arbeit ist im Rahmen der Creative Commons Attribution-Noncommercial Use 4.0 International Lizenz lizenziert.
Aktualisieren Sie den Aktualisierungsdatensatz an:
| Datum | Zeitplan | Grund zum Beenden von Update | Halt die Zeit |
|---|---|---|---|
Es wird erwartet, dass bis November andauern wird | |||
