Deep Learning Experiments
1.0.0
Revisado y expandido
| Tema | Nota | Video | Código |
|---|---|---|---|
| Descripción general | - | - | |
| Aprendizaje supervisado | - | - | |
| Perceptrón multicapa (MLP) | - | Computadora portátil | |
| Red neuronal convolucional (CNN) | - | Computadora portátil | |
| Red neuronal recurrente (RNN) | - | Computadora portátil | |
| Transformador | - | Computadora portátil | |
| Tipo de serpiente venenosa | - | SimpleMamba Mamba2 | |
| Mejoramiento | - | - | |
| Regularización | - | - | |
| Detección | - | - | |
| Segmentación | - | Sam2 | |
| Autoencoder (AE) | - | Ae y denoising ae Colorización ae | |
| Autoencoder variacional (VAE) | - | VAE y CVAE | |
| Red de adversaria generativa (GaN) | - | DCGAN y CGAN | |
| Introducción a modelos de idiomas grandes (LLM) | - | GPT2-TS-TRAIN, GPT2-TS-VAL | |
| Datos y modelo de LLM | - | GPT2-TS-FT, GPT2-TS-FT-VAL |
| Tema | Nota | Video | Código |
|---|---|---|---|
| Entorno de desarrollo | - | - | |
| Pitón | - | - | |
| Numpy | - | - | |
| Einsum | - | Computadora portátil | |
| Einops | - | Computadora portátil | |
| Pytorch | - | - | |
| Gradio | - | Computadora portátil Chat de llama | |
| Eficiencia | - | Código | |
| Pytorch Lightning | - | Computadora portátil | |
| Embalaje y servicio de modelos | - | Exportación de ONNX Tiempo de ejecución de ONNX Antorchscript & tensorrt Cliente de Pytriton Yolo Servidor Pytriton Yolo | |
| Estibador | = | - | |
| Abrazando | - | - |
Suponiendo que ya tenga anaconda o venv , instale los paquetes de Python requeridos para ejecutar los experimentos en esta versión.
pip install -r requirements.txt --upgrade
| AI, ML y aprendizaje profundo | Nota | Video | Código |
|---|---|---|---|
| Descripción general | YouTube | - | |
| Kit de herramientas | |||
| Entorno de desarrollo y editor de código | YouTube | - | |
| Pitón | YouTube | - | |
| Numpy | YouTube | Jupyter | |
| Einsum | YouTube | Jupyter | |
| Einops | YouTube | Jupyter y Jupyter (audio) | |
| Pytorch y Timm | YouTube | Pytorch/Timm & Entrada Jupyter | |
| Gradio y rostro abrazando | YouTube | Jupyter | |
| Pesos y prejuicios | YouTube | Jupyter | |
| Acelerador de la cara abrazando | Igual que W&B | Igual que W&B | Jupyter y Pitón |
| Conjuntos de datos y dataloaders | YouTube | Jupyter | |
| Aprendizaje supervisado | YouTube | ||
| Pytorch Lightning | YouTube | Mnist y KWS | |
| Aplicación de manchas de palabras clave | cd versions/2022/supervised/python &&python3 kws-infer.py --gui | ||
| Bloques de construcción: MLP, CNNS, RNNS, Transformers | |||
| MLP | YouTube | MLP en CIFAR10 | |
| CNN | YouTube | CNN en CIFAR10 | |
| Transformador | YouTube | Transformador en CIFAR10 | |
| Backpropagation | |||
| Mejoramiento | |||
| Regularización | |||
| Aprendizaje no supervisado | Pronto | ||
| Autoencoders | YouTube | Ae mnist Colorización cifar10 |
Si encuentra útil este trabajo, dale una estrella, tenedor o cita:
@misc{atienza2020dl,
title={Deep Learning Lecture Notes},
author={Atienza, Rowel},
year={2020},
publisher = {GitHub},
journal = {GitHub repository},
howpublished = {url{https://github.com/roatienza/Deep-Learning-Experiments}},
}