deep_learning_from_scratch

Deeplearning / Ai de Stracth

Introduction

Ce repo est destiné à pratiquer l'apprentissage en profondeur et l'IA générative. Il couvre essentiellement les modèles populaires d'apprentissage en profondeur dans CV, NLP, Genai, etc. Le but de ce référentiel est de fournir une compréhension complète et pratique de l'apprentissage en profondeur et de l'IA générative. Le repo est structuré de telle manière qu'il couvre les sujets suivants:

• Modèles de prédiction: utilisés pour la régression, la classification, etc.
  • googlenet
  • resnet
  • denset
  • modèles de recommandation
    • dlrm
    • deepfm
    • mmoe
    • BST
• Modèles génératifs: utilisés pour générer de nouvelles données
  • Modèles autogressifs
    • pixelcnn
  • Vae
  • modèle basé sur l'énergie
  • Normaliser le flux
  • modèle de diffusion
• Modèles de découverte: utilisé pour apprendre l'état caché des données pour la tâche en aval
  • Ae
  • Apprentissage auto-supervisé:
    • apprentissage contrastif: simclr
  • Vitonner

La liste ci-dessus n'a pas inclus tous les œuvres révolutionnaires, comme le GAN, le modèle de diffusion n'est pas inclus. Je suis sur le chemin de la pratique et je continuerais à les ajouter plus tard.

Tous les modèles sont codés à l'aide de pytorch et d'éclairage, nous avons également essayé de régler les hyperparamètres en utilisant Ray Tune. Les utilisateurs qui ont un intérêt peuvent se référer à Readme.md dans chaque dossier de modèle pour plus de détails.

Comment utiliser

Le repo est structuré de telle manière que chaque modèle se trouve dans un dossier séparé. Les utilisateurs peuvent dire directement dans le dossier d'intérêt et exécuter le code. Le code est bien documenté et facile à comprendre. Les utilisateurs peuvent également se référer à Readme.md dans chaque dossier de modèle pour plus de détails.

Installation

1. Clone le repo dans votre machine locale

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

2. Créer un environnement virtuel Python

 python3 -m venv venv
source venv/bin/activate

3. Installez les packages requis

 pip install -r requirements.txt

4. Accédez au dossier de chaque modèle et exécutez le code

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