PyTorch Tutorial 2nd
v1.0.0-PD
Después de 5 años, 4 años y 2 años, se ha completado el "Tutorial práctico de Pytorch" (segunda edición). Por encima de la esencia de la primera edición, se han agregado casos de aplicación de aprendizaje profundo ricos y detallados y marcos de implementación de razonamiento , lo que hace que este libro cubra más sistemáticamente el conocimiento involucrado por los ingenieros de aprendizaje profundo. Por ejemplo, el desarrollo de la tecnología de inteligencia artificial ha sido oleada tras ola, "tutorial práctico de Pytorch" (segunda edición) no ha terminado, sino que zarpó nuevamente, abriendo nuevas tecnologías, nuevos campos y nuevos capítulos. Espero seguir aprendiendo y progresando con todos en la tecnología de inteligencia artificial en el futuro.
Lea en línea ( código abierto gratis ): "Tutorial práctico de Pytorch" (segunda edición)
Código de soporte ( código abierto gratis ): "Tutorial práctico de Pytorch" (segunda edición)
???: ¡ Haga clic en la estrella para alentarlo!
Este proyecto ha sido incluido en la comunidad HelloGithub y se ha agregado al programa de insignia Hellogithub
Este libro toma los conceptos básicos como la piedra angular, la visión por computadora, el procesamiento del lenguaje natural y los modelos de lenguaje grande como el marco de implementación de núcleo y de inferencia como el puente, todos los cuales proporcionan a los lectores ingeniería y explicaciones teóricas para la implementación del proyecto. El libro se divide en tres partes, la primera parte: Introducción, la segunda parte: Aplicación, la siguiente parte: Implementación.
Pytorch Conceptos básicos. Para los estudiantes principiantes, no profesionales y de pregrado, proporcionamos una introducción a Pytorch, explicamos la construcción del entorno de desarrollo, introducimos los módulos centrales de Pytorch, como datos, modelos, optimización y visualización. Finalmente, utilizamos los puntos de conocimiento de Pytorch explicados para construir un conjunto de estructura de código propio para sentar las bases para aplicaciones posteriores.
Aplicación industrial. Después del artículo anterior, afilé un buen cuchillo y luego lo usé para mostrar mis habilidades en varios campos. Se explicarán tres temas, a saber, la visión por computadora, el procesamiento del lenguaje natural y el modelo de lenguaje grande.
-
En el capítulo CV, incluye tareas convencionales, incluidas ocho tareas principales: clasificación de imágenes, segmentación de imágenes, detección de objetos, seguimiento de objetos, generación de GaN, generación de difusión, descripción de imagen y recuperación de imágenes .
-
En el capítulo NLP, incluye una explicación detallada y la aplicación de modelos RNN, LSTM, Transformer, Bert y GPT. Las tareas de la aplicación incluyen cinco tareas principales: clasificación de texto, traducción automática, reconocimiento del cuerpo de nombres, preguntas y respuesta de control de calidad, y generación de artículos .
-
En el capítulo LLM, incluye 4 implementaciones de LLM y análisis de código y una aplicación de la industria LLM - GPT Academic (GPT Academic Optimization) , LLM incluye cuatro principales modelos principales de código abierto en China, Qwen, Chatglm, Baichuan y Yi .
Se implementa la industria. Con herramientas y escenarios, debemos hacerlo valioso y convertirnos en servicios de algoritmos útiles y útiles. Por lo tanto, es común eliminar el marco de capacitación y el marco pesado como Pytorch para la implementación, aceleración y cuantificación. Este capítulo introducirá los principios y el uso de ONNX y Tensorrt , y al mismo tiempo, usará tensor para analizar el concepto de cuantización, los principios prácticos y de la cuantización PTQ y QAT .
Creo que a través del aprendizaje de los primeros artículos intermedios y próximos, puede ayudar a los estudiantes introductorios a evitar muchos desvíos, rápidamente maestro Pytorch, tener la capacidad de estar solo, puede seleccionar modelos de algoritmos basados en escenarios reales y puede desplegar y aplicar los modelos para formar un circuito cerrado y abrir todo el proceso.
Estructura clara: todo el libro se divide en tres partes: la primera parte (introducción), la segunda parte (aplicación) y la siguiente parte (implementación), guiando gradualmente a los lectores a aprender en profundidad.
Combinación de teoría y práctica: no solo proporciona explicaciones teóricas, sino que también permite a los lectores aplicar la teoría para practicar a través de casos de proyectos ricos.
Casos prácticos ricos: proporcionar casos prácticos en múltiples campos, como visión por computadora, procesamiento de lenguaje natural y modelos de lenguaje grande.
Cobertura sistemática: cubre conceptos básicos de Pytorch, tareas básicas de visión por computadora, tareas básicas de procesamiento de lenguaje natural, conceptos básicos de modelos de lenguaje y marco de implementación de inferencia.
Amplia aplicabilidad: adecuada para estudiantes de auto-estudio de IA, gerentes de productos de IA, estudiantes actuales y personas de campo cruzado para leer, conocer a los lectores con diferentes antecedentes y necesidades.
Para mejorar la atmósfera de lectura de los lectores y proporcionar canales de comunicación, se estableció un grupo de comunicación QQ especialmente.
Para garantizar la calidad de la comunicación dentro del grupo, necesita una contraseña para unirse al grupo. Por favor revise el código
En el futuro cercano, compartiremos los últimos artículos técnicos en el grupo, incluido CV Project Practical Combat, razonamiento y implementación de LLM, sistemas de trapo y otras tecnologías de vanguardia. Bienvenido a unirse al intercambio técnico.
Un grupo: 671103375 (completo)
Grupo 2: 773031536 (completo)
Tres grupos: 514974779 (completo)
Cuatro grupos: 854620826
Este trabajo tiene licencia bajo la atribución de Creative Commons, no es comercial, USO 4.0 Licencia internacional.
Detener el registro de actualización:
| fecha | cronograma | Razón para detener la actualización | Tiempo de parada |
|---|---|---|---|
Se espera que continúe hasta noviembre | |||
