eat_pytorch_in_20_days
1.0.0
Este libro supone que los lectores tienen una cierta base en aprendizaje automático y aprendizaje profundo, y han utilizado keras o tensorflow o pytorch para construir modelos simples capacitados.
El apodo es una versión de video de "Eat That Pytorch en 20 días" se registra en Bilibili. Los amantes de la comida están llenos de sus corazones, solo para el sabor local más puro. ¡ Los nuevos y viejos amigos son bienvenidos a venir y probarlo ?
https://www.bilibili.com/video/bv1ua411p7oe
Este libro es un libro de referencia introductorio de Pytorch que es extremadamente amigable para los usuarios humanos. No me dejes pensar que es la búsqueda más alta de este libro.
Este libro se compila y se escribe principalmente en base a la referencia a la documentación oficial de Pytorch y a la documentación de la función DOC.
Aunque la documentación oficial de Pytorch es bastante concisa y clara, este libro ha hecho muchas optimizaciones en la selección de la estructura y los ejemplos de los capítulos, lo que es mejor en términos de utilidad.
Este libro diseña el contenido de acuerdo con la dificultad del contenido, los hábitos de búsqueda de lectores y la propia estructura jerárquica de Pytorch, paso a paso y niveles claros, lo que hace que sea conveniente encontrar ejemplos correspondientes de acuerdo con las funciones.
Este libro es lo más simple y estructurado posible en el diseño de ejemplo, mejorando la legibilidad y la versatilidad de los ejemplos. La mayoría de los fragmentos de código se pueden usar fuera de la caja en la práctica.
Si son alrededor de 5 para maestro Pytorch a través de los documentos oficiales de aprendizaje de Pytorch, entonces la dificultad de dominar a Pytorch a través de este libro debería ser de aproximadamente 2.
Solo la siguiente figura compara las diferencias entre el documento oficial de Pytorch y el libro "Eat That Pytorch en 20 días".
1. Plan de estudio
Este libro fue escrito por el autor utilizando aproximadamente 3 meses de su tiempo libre, y la mayoría de los lectores deberían poder aprenderlo completamente dentro de los 20 días.
El tiempo de estudio que pasa todos los días es de entre 30 minutos y 2 horas.
Por supuesto, este libro también es muy adecuado como referencia para el manual de herramientas Pytorch cuando se implementa como una biblioteca de ejemplo.
Haga clic en el título azul del contenido de aprendizaje para ingresar a este capítulo.
| fecha | Contenido de aprendizaje | Dificultad de contenido | Tiempo de estudio estimado | Estado de actualización |
|---|---|---|---|---|
| 1. Proceso de modelado de Pytorch | ️ | 0 Hour | ✅ | |
| día 1 | 1-1, ejemplo de proceso de modelado de datos estructurado | ️️. | 1 hora | ✅ |
| día2 | 1-2, ejemplo del proceso de modelado de datos de imagen | ️️. | 2 horas | ✅ |
| día3 | 1-3, ejemplo del proceso de modelado de datos de texto | ️ fue estudiante | 2 horas | ✅ |
| día 4 | 1-4, ejemplo de proceso de modelado de datos de series de tiempo | ️ fue estudiante | 2 horas | ✅ |
| 2. El concepto central de Pytorch | ️ | 0 Hour | ✅ | |
| día5 | 2-1, estructura de datos del tensor | ️️. | 1 hora | ✅ |
| día 6 | 2-2, mecanismo diferencial automático | ️️. | 1 hora | ✅ |
| día 7 | 2-3, diagrama de cálculo dinámico | ️ fue estudiante | 2 horas | ✅ |
| 3. Jerarquía de Pytorch | ️ | 0 Hour | ✅ | |
| día 8 | 3-1, demostración de API de bajo orden | ️️. | 1 hora | ✅ |
| día 9 | 3-2, demostración de API intermedia | ️️. | 1 hora | ✅ |
| día10 | 3-3, demostración avanzada de API | ️️. | 1 hora | ✅ |
| 4. API de bajo orden de Pytorch | ️ | 0 Hour | ✅ | |
| día11 | 4-1, Operación estructural de tensores | ️ fue estudiante | 2 horas | ✅ |
| día 12 | 4-2, operación matemática de tensores | ️️. | 1 hora | ✅ |
| día13 | 4-3, nn.funcional y nn.module | ️️. | 1 hora | ✅ |
| 5. API intermedia de Pytorch | ️ | 0 Hour | ✅ | |
| día14 | 5-1, conjunto de datos y dataloader | ️️. | 1 hora | ✅ |
| día15 | 5-2, capa de modelo | ️ fue estudiante | 2 horas | ✅ |
| día16 | 5-3, función de pérdida | ️️. | 1 hora | ✅ |
| día17 | 5-4, Visualización de TensorBoard | ️️. | 1 hora | ✅ |
| 6. API avanzada de Pytorch | ️ | 0 Hour | ✅ | |
| día18 | 6-1, 3 formas de construir un modelo | ️ fue | 0.5 horas | ✅ |
| día 19 | 6-2, 3 formas de entrenar el modelo | ️️. | 1 hora | ✅ |
| día20 | 6-3, use GPU para entrenar el modelo | ️️. | 1 hora | ✅ |
| * | Postscript: mi vista de producto | ️ | 0 Hour | ✅ |
2. Entorno de aprendizaje
Todos los códigos de origen de este libro están escritos en Jupyter y pasan la prueba. Se recomienda clonarlo localmente a través de GIT y ejecutar el aprendizaje interactivamente en Jupyter.
Paso1: Clone el código fuente de este libro en el área local, use el almacén Code Cloud Mirror para descargar más rápido en China
git clone https://gitee.com/Python_Ai_Road/eat_pytorch_in_20_days
Paso 2: Algoritmo oficial de la cuenta Food House Palabras clave: Pytorch , obtenga el paquete de compresión de resumen del conjunto de datos utilizado en este proyecto EAT_PYTORCH_DATASETS.ZIP Baidu Cloud Disk Download Link, descarga y descomprime y se mueva a la ruta EAT_PYTORCH_IN_20_Days, aproximadamente 160M.
import torch
from torch import nn
print ( "torch version:" , torch . __version__ )
a = torch . tensor ([[ 2 , 1 ]])
b = torch . tensor ([[ - 1 , 2 ]])
c = a @ b . t ()
print ( "[[2,1]]@[[-1],[2]] =" , c . item ()) torch version: 2.0.1
[[2,1]]@[[-1],[2]] = 0
¿Adecuado para estudiantes que estén interesados en los campos de recomendación de publicidad y necesiten avanzar?
| fecha | Contenido de aprendizaje | Dificultad de contenido | Tiempo de estudio estimado | Estado de actualización |
|---|---|---|---|---|
| 7. Recomendaciones de Pytorch y publicidad | ️ | 0 Hour | ✅ | |
| día 1 | 7-1, algoritmo recomendado | ️️. | 0.5 horas | ✅ |
| día2 | 7-2, negocio de algoritmo de publicidad | ️️. | 0.5 horas | ✅ |
| día3 | 7-3, modelo FM | ️️. | 1 hora | ✅ |
| día 4 | 7-4, modelo profundo | ️️. | 1 hora | ✅ |
| día5 | 7-5, modelo Fibinet | ️️. | 2 horas | ✅ |
| día 6 | 7-6, modelo de Deepcross | ️ fue estudiante | 2 horas | ✅ |
| día 7 | 7-7, DIN Network | ️ fue estudiante | 2 horas | ✅ |
| día 8 | 7-8, Dien Network | ️ fue estudiante | 2 horas | ✅ |
Introducción a algunas herramientas periféricas relacionadas con Pytorch
| fecha | Contenido de aprendizaje | Dificultad de contenido | Tiempo de estudio estimado | Estado de actualización |
|---|---|---|---|---|
| Huevo de Pascua: herramientas periféricas de Pytorch | ️ | 0 Hour | ✅ | |
| día 1 | A-1, Kaggle Guía de uso de GPU gratuito | ️️. | 1 hora | ✅ |
| día2 | A-2, APLICADO CONSTRUCES APLICACIONES DE APRENDIZAJE MACALLES | ️️. | 1 hora | ✅ |
| día3 | A-3, use el chip Mac M1 para acelerar Pytorch | ️️. | 1 hora | ✅ |
| día 4 | A-4, Guía de magia de ajuste de parámetros visuales de Optuna | ️️. | 1 hora | ✅ |
| día5 | A-5, Gradio hace que su modelo de aprendizaje automático sea sexy | ️️. | 1 hora | ✅ |
| día 6 | A-6, análisis visual del modelo wandb | ️️. | 0.5 horas | ✅ |
| día 7 | A-7, Visualización del modelo WANDB y ajuste automático de parámetros | ️️. | 1 hora | ✅ |
El código del capítulo relevante ha sido optimizado y ajustado en consecuencia.
| Función | Soporte estable para la versión inicial | Depender o pedir prestado la biblioteca |
|---|---|---|
| ✅ Barra de progreso de entrenamiento | 3.0.0 | Confíe en TQDM, aprende de Keras |
| ✅ Indicadores de evaluación de capacitación | 3.0.0 | Dibuando en Pytorch_lightning |
| ✅ La capacitación en cuaderno viene con visualización | 3.8.0 | Dibujo de Fastai |
| ✅ Parada temprana | 3.0.0 | Basándose en keras |
| ✅ Entrenamiento de GPU | 3.0.0 | Depender de aceleraterate |
| ✅ Entrenamiento multi-GPUS (DDP) | 3.6.0 | Depender de aceleraterate |
| ✅ FP16/BF16 Entrenamiento | 3.6.0 | Depender de aceleraterate |
| ✅ TensorBoard Callback | 3.7.0 | Depender de TensorBoard |
| ✅ Vuelve de Wandb | 3.7.0 | Depender de Wandb |
Para más detalles, consulte el enlace del proyecto :: https://github.com/lyhue1991/torchkeras
Si este libro es útil para usted, me gustaría alentar al autor, ¿recuerda agregar una estrella a este proyecto y compartirla con sus amigos?
Si tiene algunas preguntas o sugerencias sobre el contenido de este libro, puede responder a las palabras clave en el backend de la cuenta oficial "Algoritmo Food House": únase al grupo y únase al Grupo de Intercambio de Reader para discutir con todos.
