Deep Learning Experiments
1.0.0
Révisé et élargi
| Sujet | Note | Vidéo | Code |
|---|---|---|---|
| Aperçu | - | - | |
| Apprentissage supervisé | - | - | |
| Perceptron multicouche (MLP) | - | Carnet de notes | |
| Réseau neuronal convolutionnel (CNN) | - | Carnet de notes | |
| Réseau neuronal récurrent (RNN) | - | Carnet de notes | |
| Transformateur | - | Carnet de notes | |
| Mamba | - | Simplemamba Mamba2 | |
| Optimisation | - | - | |
| Régularisation | - | - | |
| Détection | - | - | |
| Segmentation | - | SAM2 | |
| Autoencoder (AE) | - | AE & Denoising AE Colorisation ae | |
| Autoencoder variationnel (VAE) | - | Vae et cvae | |
| Réseau adversaire génératif (GAN) | - | DCGAN et CGAN | |
| Introduction aux grands modèles de langue (LLMS) | - | GPT2-TS-TRAIN, GPT2-TS-VAL | |
| Données et modèle LLM | - | GPT2-TS-FT, GPT2-TS-FT-VAL |
| Sujet | Note | Vidéo | Code |
|---|---|---|---|
| Environnement de développement | - | - | |
| Python | - | - | |
| Nombant | - | - | |
| Einsum | - | Carnet de notes | |
| Einops | - | Carnet de notes | |
| Pytorch | - | - | |
| Gradio | - | Carnet de notes Chat de lama | |
| Efficacité | - | Code | |
| Foudre pytorch | - | Carnet de notes | |
| Emballage et service du modèle | - | Exportation ONNX ONNX Runtime Torchscript et tensorrt Client de Pytriton Yolo Serveur de pytriton yolo | |
| Docker | = | - | |
| Étreindre | - | - |
En supposant que vous avez déjà anaconda ou venv , installez les packages Python requis pour exécuter les expériences dans cette version.
pip install -r requirements.txt --upgrade
| AI, ML et apprentissage en profondeur | Note | Vidéo | Code |
|---|---|---|---|
| Aperçu | Youtube | - | |
| Boîte à outils | |||
| Environnement de développement et éditeur de code | Youtube | - | |
| Python | Youtube | - | |
| Nombant | Youtube | Jupyter | |
| Einsum | Youtube | Jupyter | |
| Einops | Youtube | Jupyter & Jupyter (Audio) | |
| Pytorch & Timm | Youtube | Pytorch / timm & Jupyter d'entrée | |
| Gradio et étreinte | Youtube | Jupyter | |
| Poids et préjugés | Youtube | Jupyter | |
| Accélérateur de visage étreint | Identique à W&B | Identique à W&B | Jupyter & Python |
| Ensembles de données et dataloaders | Youtube | Jupyter | |
| Apprentissage supervisé | Youtube | ||
| Foudre pytorch | Youtube | MNIST & KWS | |
| Application de repérage de mots clés | cd versions/2022/supervised/python &&python3 kws-infer.py --gui | ||
| Blocons de construction: MLPS, CNNS, RNNS, Transformers | |||
| MLP | Youtube | MLP sur CIFAR10 | |
| CNN | Youtube | CNN sur CIFAR10 | |
| Transformateur | Youtube | Transformateur sur CIFAR10 | |
| Étalon | |||
| Optimisation | |||
| Régularisation | |||
| Apprentissage non surveillé | Bientôt | ||
| Autoencoders | Youtube | AE MNIST Colorisation cifar10 |
Si vous trouvez ce travail utile, veuillez lui donner une étoile, une fourche ou une cite:
@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}},
}