DeepLearning MuLi Notes Download - DeepLearning MuLi Notes Quellcode Download

DeepLearning MuLi Notes

Python

1.0.0

Herunterladen

"Hand-on-Lernen tiefes Lernen"

Projektmotivation/ Kurs Einführung/ Kurs

Projektmotivation

"Hand-on Learning Deep Learning" ist eine Reihe von Deep Learning-Videos, die von Herrn Li Mu (einem leitenden Chefwissenschaftler bei AWS, Ph.D., Abteilung für Informatik, Carnegie Mellon University, USA), unterrichtet wurden. Dieses Projekt sammelt detaillierte Markdown-Notizen und verwandte Jupyter-Codes während unseres Winterurlaubs "Hand-on Learning Deep Learning" -Prozess. Wenn Sie jemandem eine Rose geben, hinterlassen Sie einen Duft in Ihren Händen. Wir Open Source alle Markdown -Notizen. Wir hoffen, dass es auch für alle hilfreich sein wird, Lehrer Li Mu's "Hand-on Leard Deep Learning" zu lernen und zu beherrschen.

Merkmale dieses Projekts:
Markdown -Notizen entsprechen dem ursprünglichen Kursvideo nacheinander, was jedem helfen kann, das zu verstehen, während sie sich der Klasse anhören.
Die Jupyter -Codes haben detaillierte chinesische Anmerkungen, um alle mit dem Üben schneller zu beginnen.

Insgesamt gibt es 73 Kursvideos , und die durchschnittliche Dauer eines einzelnen Videos beträgt nicht mehr als 30 Minuten . Es wird erwartet, dass die Studie innerhalb von 40 Tagen nach Winterurlaub abgeschlossen werden kann.

Das in diesem Projekt verwendete Abzeichen stammt aus dem Internet. Wenn es Ihr Bild -Urheberrecht verstößt, kontaktieren Sie uns bitte, um es zu löschen. Danke schön.

Kurs Einführung

Normalerweise vergessen wir, wenn wir Deep Learning erwähnen, oft, dass Deep Learning nur ein kleiner Teil des maschinellen Lernens ist, und glauben, dass es sich um ein separates Modul handelt, das unabhängig vom maschinellen Lernen ist. Dies liegt daran, dass maschinelles Lernen als Disziplin mit einer längeren Geschichte eine enge Auswahl an Anwendungen in der realen Welt hatte, bevor Deep Learning veröffentlicht wurde. In den Bereichen Spracherkennung, Computervision, Verarbeitung natürlicher Sprache usw. ist maschinelles Lernen häufig nur ein kleiner Teil der Lösungen, um diese Domänenprobleme zu lösen, da die erforderliche Menge an Domänenwissen und die Realität äußerst komplex ist. Aber in den letzten Jahren haben das Advent und die Anwendung von Deep Learning die Welt überrascht, die schnelle Entwicklung von Computervision, Verarbeitung natürlicher Sprache, automatische Spracherkennung, Verstärkungslernen und statistische Modellierung und allmählich den Trend führen, eine Welle künstlicher Intelligenzrevolution in der Welt auslösen.

Im Kurs "Hand-on Deep Learning" gibt es nicht nur ein kleines Grundkenntnis des maschinellen Lernens, wie lineare neuronale Netzwerke, Multi-Layer-Wahrnehmungsmaschinen usw.; Es gibt auch verschiedene Deep-Learning-Modelle, die derzeit in hochmodernen Anwendungen verwendet werden: einschließlich Lenet, Resnet, LSTM, Bert ... Gleichzeitig ist die Erläuterung jedes Kapitels auch mit Code, Lehrbüchern usw. ausgestattet, die von Pytorch implementiert werden, was den Schülern helfen kann, die Grundmodelle und das tiefe Lernen in kurzer Zeit zu beherrschen und ihre praktischen Fähigkeiten zu verbessern.

Kursressourcen

Bilibili-Unterrichtswebsite: Handtes Lernen Deep Learning (abgeschlossen)
URL des Lehrbuchs: "Hand-on Deep Learning" (chinesische Version), "Tauchen Sie in Deep Learning" 0.17.1 Dokumentation
Kurs-Homepage: https://courses.d2l.ai/zh-v2/
Forum URL: diskutieren.d2l.ai, diskutieren.pytorch

Darüber hinaus enthält dieser Kurs entsprechende Codeimplementierungen. Jedes Kapitel verfügt über einen entsprechenden Jupyter -Notizblock, der den vollständigen Python -Code des Modells bereitstellt und alle Ressourcen kostenlos online kostenlos erhalten werden können.

Lehrbuchkatalog

"Hand-on Deep Learning" (chinesische Version) und englische Versionen in Deep Learning 0.17.1 Dokumentation Lehrbuchkatalog und Kapitellinks sind wie folgt:

Kapitel	Chinesische Version	Englische Version
1	Vorwort	Einführung
2	Vorbereitungswissen	Vorbereitungen
3	Lineares neuronales Netzwerk	Lineare neuronale Netzwerke
4	Multi-Layer-Erfassungsmaschine	Mehrschichtige Perzeptrons
5	Deep Learning Computing	Deep Learning -Berechnung
6	Faltungsnetzwerk	Faltungsnetzwerke
7	Moderne nervennetzwerke resultal	Moderne nervennetzwerke resultal
8	Wiederkehrendes neuronales Netzwerk	Wiederkehrende neuronale Netzwerke
9	Modernes wiederkehrendes neuronales Netzwerk	Moderne wiederkehrende neuronale Netze
10	Aufmerksamkeitsmechanismus	Aufmerksamkeitsmechanismen
11	Optimierungsalgorithmus	Optimierungsalgorithmen
12	Rechenleistung	Rechenleistung
13	Computer Vision	Computer Vision
14	Verarbeitung natürlicher Sprache: Vorausbildung	Verarbeitung natürlicher Sprache: Vorabbau
15	Verarbeitung natürlicher Sprache: Anwendung	Verarbeitungsanwendungen für natürliche Sprache
16	Empfohlenes System	Empfehlungssysteme
17	Generieren Sie kontrovers Netzwerke	Generative kontroverse Netzwerke
18	Anhang: Die Grundlagen der Mathematik im tiefen Lernen	Anhang: Mathematik für tiefes Lernen
19	Anhang: Deep Learning Tools	Anhang: Tools für Deep Learning

Notizen

Notizen	Handzettel	Code
00-Vorsicht	Handzettel
01-Gänge-Zeitplan	Handzettel
02 Einführung in tiefes Lernen	Handzettel
03 Installation	Handzettel
04-Data-Betrieb und Datenvorverarbeitung	Handzettel	Jupyter Code
05-Linear-Algebra	Handzettel
06-matrix-Berechnung	Handzettel
07-Chegdu-Regeln und automatische Ableitung	Handzettel	Jupyter Code
08-Linare Regression + Grundoptimierungsalgorithmus	Vorlesungsmerkmale 1 2	Jupyter Code
09-softmax Regression	Vorlesungsmerkmale 1 2	Jupyter Code
10-Multi-Schicht-Erfassungsmaschine	Vorlesungsmerkmale 1 2	Jupyter Code
11-Model-Auswahl + Überanpassung und Unteranpassung	Vorlesungsmerkmale 1 2
12-Gewicht-Rezession	Handzettel	Jupyter Code
13-Diskarding-Methode	Handzettel	Jupyter Code
14-numerische Stabilität	Vorlesungsmerkmale 1 2
15-praktische Kaggle-Vorhersage der Immobilienpreise	Handzettel	Jupyter Code
16-Pytorch-Grundlagen für neuronale Netzwerke	Handzettel	Jupyter Code
17-Use und kaufen GPUs	Handzettel	Jupyter Code
18-Schwall des Vorhersage-Hauspreiseswettbewerbs	Handzettel
19-konvolutionelle Schicht	Vorlesungsmerkmale 1 2	Jupyter Code
20-Fill und Schritt	Handzettel	Jupyter Code
21-Multi-Eingangs- und Ausgangskanäle	Handzettel	Jupyter Code
22-Pooling-Schicht	Handzettel	Jupyter Code
23-lenet	Handzettel	Jupyter Code
24-ALEXNET	Handzettel	Jupyter Code
25 Netzwerk VGG mit Blöcken	Handzettel	Jupyter Code
26-Nin	Handzettel	Jupyter Code
27-Googlenet	Handzettel	Jupyter Code
28-Batch-Normalisierung	Handzettel	Jupyter Code
29-lösches Netzwerk resnet	Handzettel
30-teilig 2 beenden den Wettbewerb	Handzettel
31-CPU und GPU	Handzettel
32 tiefe Lernhardware	Handzettel
33-Single-Machine mehrere Karten parallel	Handzettel
34-Multi-GPU-Schulungsimplementierung	Handzettel	Jupyter Code
35-verteilte Ausbildung	Handzettel
36-Daten Augmentation	Handzettel	Jupyter Code
37-feine Einstellung	Handzettel	Jupyter Code
38-Die Ergebnisse der zweiten Konkurrenzblattklassifizierung	Handzettel
39-Practical Kaggle Competition-1	Handzettel
40-praktischer Kaggle-Wettbewerb-2	Handzettel	Jupyter Code
41-Objekt-Erkennung und Datensätze	Handzettel
[42-Angrad-Rahmen]	Handzettel
43-technische Zusammenfassung der Blätterklassifizierungswettbewerb	Handzettel
44-Objekt-Erkennungsalgorithmus	Vorlesungsmerkmale 123
45-SSD-Implementierung	Handzettel	Jupyter Code
46-semantische Segmentierung und Datensätze	Handzettel	Jupyter Code
47-transfer-Faltung	Vorlesungsmerkmale 1 2
48-fcn	Handzettel	Jupyter Code
49-Stil-Migration	Handzettel	Jupyter Code
50-Gänge-Wettbewerb	Handzettel
51-Sequenzmodell	Handzettel
52-Text-Vorverarbeitung	Handzettel	Jupyter Code
53sprachiges Modell	Handzettel
54 Nervennetzwerk	Handzettel
55-RNN-Implementierung	Handzettel	Jupyter Code
56-gru	Handzettel	Jupyter Code
57-lstm	Handzettel
58 tiefe wiederkehrende neuronale Netze	Handzettel	Jupyter Code
[59-Bidirektionales wiederkehrendes neuronales Netzwerk]	Handzettel
60-machine-Übersetzungsdatensatz	Handzettel	Jupyter Code
61 -Coder-Dekoder-Architektur	Handzettel
62-Sequenz-zu-Sequenz-Lernen	Handzettel	Jupyter Code
63-Bunch-Suche	Handzettel
64- Aufmerksamkeitsmechanismus	Handzettel	Jupyter Code
65- Aufmerksamkeitsbewertung	Handzettel
[66-seq unter Verwendung der Aufmerksamkeit]	Handzettel
67 Selbstbekämpfung	Handzettel	Jupyter Code
68-Transformator	Handzettel	Jupyter Code
69-BERBER-PRE-Training	Handzettel
70-BERT-Feinanpassung	Handzettel
[71-schwärme des Zielerkennungswettbewerbs]	Handzettel
72-optimierender Algorithmus	Handzettel
73-Gänge-Zusammenfassung und fortgeschrittenes Lernen	Handzettel