code of learn deep learning with pytorch

Pytorch

Aprenda el aprendizaje profundo con Pytorch

Muchas gracias por comprar este libro. Este repositorio de GitHub contiene el código de ejemplo para Pytorch, que es una introducción al aprendizaje profundo. Debido a mi nivel limitado, me referí a información en línea al escribir este libro, y me gustaría expresar mi respeto a ellos aquí. A medida que la tecnología de aprendizaje profundo se está desarrollando rápidamente, Pytorch también se actualiza constantemente, y tengo muchos campos que no he cubierto cuando completé este libro, por lo que este repositorio se actualizará como un servicio de seguimiento para comprar el segundo libro. Espero poder proporcionarle un poder delgado en el camino para comenzar con el aprendizaje profundo.

Nota: Debido al cambio de la versión de Pytorch, el código en el libro puede tener errores, por lo que todos los códigos se basan principalmente en los de este GitHub.

Configurar el entorno

El libro ya ha dado en detalle cómo configurar el entorno Python basado en Anaconda e instalar Pytorch. Si usa su propia computadora y tiene una tarjeta gráfica NVIDIA, entonces puede ingresar felizmente al mundo del aprendizaje profundo. Si no tiene una tarjeta gráfica NVIDIA, entonces necesitamos una plataforma de computación en la nube para ayudarnos a aprender el viaje de aprendizaje profundo. Cómo configurar la plataforma informática de AWS

Los siguientes catálogos de cursos son diferentes de los del libro, porque el contenido se actualiza a la segunda edición, ¡y la segunda edición se lanzará pronto! !

Catálogo de cursos

Parte1: Conceptos básicos del aprendizaje profundo

• Capítulo 2: Pytorch Conceptos básicos

  • Tensor y variable
  • Mecanismo de guía automática
  • Imágenes dinámicas y estáticas

• Capítulo 3: Redes neuronales

  • Modelo lineal y descenso de gradiente
  • Regresión logística y optimizador
  • Red neuronal de múltiples capas, secuencial y módulo
  • Red neuronal profunda
  • Método de inicialización de parámetros
  • Algoritmo de optimización
    • Sgd
    • Método de momento
    • Adagrada
    • Rmsprop
    • Adadelta
    • Adán

• Capítulo 4: Redes neuronales convolucionales

  • Módulos convolucionales en Pytorch
  • normalización por lotes
  • Red profunda que usa elementos repetidos, VGG
  • Estructura de red más rica, Googlelenet
  • Red residual profunda, resnet
  • Densenet
  • Mejor capacitación redes convolucionales
    • Mejora de datos
    • Regularización
    • Decadencia de la tasa de aprendizaje

• Capítulo 5: Red neuronal recurrente

  • Módulos de red neuronales recurrentes: LSTM y Gru
  • Uso de RNN para la clasificación de imágenes
  • Análisis de series de tiempo usando RNN
  • Aplicaciones del procesamiento del lenguaje natural:
    • Incrustación de palabras
    • Modelo N-gram
    • SEQ-LSTM para hacer una predicción de parte de la palabra

• Capítulo 6: Generar redes adversas

  • Codificador automático
  • Codificador automático variacional
  • Generar redes adversas
  • Las redes adversas convolucionales profundas (DCGans) generan caras humanas

• Capítulo 7: Aprendizaje de refuerzo profundo

  • Q aprendizaje
  • Gimnasio de IA abierto
  • Q-Networks profundo

• Capítulo 8: Pytorch avanzado

  • Visualización de TensorBoard
  • Introducción de lectura de datos flexible
  • Introducción a Autograd.
  • Paralelismo de datos y multi-GPU
  • Convertir al modelo CAFFE2 usando ONNX
  • Cómo desplegar una red neuronal capacitada
  • Crea tus propios hábitos de uso de Pytorch

Parte2: Aplicación de aprendizaje profundo

• Capítulo 9: Visión por computadora

  • Ajuste fino: transfiera el aprendizaje a través de la ajuste fina
  • Primera experiencia de Kaggle: batalla de gatos y perros
  • Segmentación semántica: implementar la clasificación de nivel de píxel a través de FCN
  • Redes adversas generativas de píxeles a píxeles
  • Transferencia neural: implementación de la transferencia de estilo a través de redes convolucionales
  • Deep Dream: Explorando el mundo a los ojos de las redes convolucionales

• Capítulo 10: Procesamiento del lenguaje natural

  • Char RNN implementa la generación de texto
  • Título de la imagen: Implementar la generación de subtítulos de imagen
  • SEQ2SEQ implementa la traducción automática
  • CNN + RNN + Atención para realizar el reconocimiento de texto

Algunos otros recursos

Para algunos cursos públicos y recursos de aprendizaje para un aprendizaje profundo, consulte mi repositorio

Puedes seguir mi columna y blog Zhihu, y a menudo compartirás algunos artículos de aprendizaje profundo.

Recursos sobre Pytorch

Mi repose repo pytorch-beginner

pytorch-tutorial

el pytorch de incrustación

práctico-PYTORCH

Pytorchzerotoall

Impresionante lista de pytorch

Reconocimiento

Algunas partes de la segunda edición de este libro se refieren al tutorial chino de MXNET Gluon, y usan MXNET/Gluon para aprender el aprendizaje profundo.

Gluon es un marco que es muy similar a Pytorch. Es muy simple y fácil de usar. Te recomiendo que lo aprendas y también recomiendo los cursos chinos de Gluon, que se enseñan en todos los chinos, tienen videos y prácticas de código. Se puede decir que es el tutorial de aprendizaje profundo chino más completo.