deep_learning_from_scratch

Deeplearning/Ai de Stractth

Introducción

Este repositorio es para practicar el aprendizaje profundo y la IA generativa. Básicamente cubre los modelos populares de aprendizaje profundo en CV, PNL, Genai, etc. El objetivo de este repositorio es proporcionar una comprensión integral y práctica del aprendizaje profundo y la IA generativa. El repositorio está estructurado de tal manera que cubre los siguientes temas:

• Modelos de predicción: utilizado para la regresión, clasificación, etc.
  • googlenet
  • resnet
  • densenet
  • modelos de recomendación
    • dlrm
    • profundo
    • mmoe
    • BST
• Modelos generativos: se utiliza para generar nuevos datos
  • Modelos auténticos
    • pixelcnn
  • VAE
  • modelo basado en energía
  • Normalización del flujo
  • modelo de difusión
• Modelos de descubrimiento: se usa para aprender el estado oculto de los datos para la tarea aguas abajo
  • Ae
  • Aprendizaje auto-supervisado:
    • Aprendizaje contrastante: simclr
  • Vit

La lista anterior no incluía todos los trabajos revolucionarios, como GaN, el modelo de difusión no está incluido. Estoy en camino de practicar y seguiría agregándolos más tarde.

Todos los modelos están codificados con Pytorch e iluminación, también intentamos ajustar hiperparámetros con Tune Ray. Los usuarios que tienen interés pueden consultar el ReadMe.md en cada carpeta de modelo para obtener más detalles.

Cómo usar

El repositorio está estructurado de tal manera que cada modelo está en una carpeta separada. Los usuarios pueden ir directamente a la carpeta de interés y ejecutar el código. El código está bien documentado y fácil de entender. Los usuarios también pueden consultar el ReadMe.md en cada carpeta de modelo para obtener más detalles.

Configuración

1. Clonar el repositorio en su máquina local

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

2. Crear entorno virtual de Python

 python3 -m venv venv
source venv/bin/activate

3. Instale los paquetes requeridos

 pip install -r requirements.txt

4. Vaya a la carpeta de cada modelo y ejecute el código

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