code of learn deep learning with pytorch

Pytorch

Apprenez l'apprentissage en profondeur avec Pytorch

Merci beaucoup d'avoir acheté ce livre. Ce référentiel GitHub contient l'exemple de code pour Pytorch, qui est une introduction à l'apprentissage en profondeur. En raison de mon niveau limité, j'ai fait référence à certaines informations en ligne lors de la rédaction de ce livre, et je voudrais leur exprimer mon respect ici. Alors que Deep Learning Technology se développe rapidement, Pytorch est également constamment mis à jour, et j'ai de nombreux domaines que je n'ai pas couverts lorsque j'ai terminé ce livre, donc ce référentiel sera mis à jour en tant que service de suivi pour l'achat du deuxième livre. J'espère que je pourrai vous fournir une puissance mince sur la route pour commencer avec l'apprentissage en profondeur.

Remarque: En raison du changement de version Pytorch, le code du livre peut avoir des bogues, donc tous les codes sont principalement basés sur ceux de ce github.

Configurer l'environnement

Le livre a déjà donné en détail comment configurer l'environnement Python basé sur Anaconda et installer pytorch. Si vous utilisez votre propre ordinateur et que vous avez une carte graphique NVIDIA, vous pouvez avec plaisir à entrer dans le monde de l'apprentissage en profondeur. Si vous n'avez pas de carte graphique NVIDIA, nous avons besoin d'une plate-forme de cloud computing pour nous aider à apprendre le parcours d'apprentissage en profondeur. Comment configurer la plate-forme informatique AWS

Les catalogues de cours suivants sont différents de ceux du livre, car le contenu est mis à jour à la deuxième édition, et la deuxième édition sera bientôt lancée! !

Catalogue de cours

Part1: Bases de l'apprentissage en profondeur

• Chapitre 2: Bases Pytorch

  • Tenseur et variable
  • Mécanisme de guidage automatique
  • Images dynamiques et statiques

• Chapitre 3: Réseaux de neurones

  • Modèle linéaire et descente de gradient
  • Régression logistique et optimiseur
  • Réseau neuronal multicouche, séquentiel et module
  • Réseau neuronal profond
  • Méthode d'initialisation des paramètres
  • Algorithme d'optimisation
    • SGD
    • Méthode d'élan
    • Adagrad
    • Rmsprop
    • Adadelta
    • Adam

• Chapitre 4: Réseaux de neurones convolutionnels

  • Modules convolutionnels en pytorch
  • normalisation par lots
  • Réseau profond utilisant des éléments répétitifs, VGG
  • Plus riche structure de réseau, Googlelenet
  • Réseau résiduel profond, resnet
  • Denset
  • Meilleure formation de réseaux convolutionnels
    • Amélioration des données
    • Régularisation
    • Débrassement du taux d'apprentissage

• Chapitre 5: Réseau neuronal récurrent

  • Modules de réseau neuronal récurrent: LSTM et GRU
  • Utilisation de RNN pour la classification d'images
  • Analyse des séries chronologiques utilisant RNN
  • Applications du traitement du langage naturel:
    • Incorporation de mots
    • Modèle n-gram
    • Seq-lstm pour faire une prédiction d'une partie du mot

• Chapitre 6: générer des réseaux contradictoires

  • Encodeur automatique
  • Encodeur automatique variationnel
  • Générer des réseaux contradictoires
  • Les réseaux adversaires convolutionnels profonds (DCGANS) génèrent des visages humains

• Chapitre 7: Apprentissage en renforcement profond

  • Q Apprentissage
  • Ouvrir une salle de gym
  • Networks Q

• Chapitre 8: Pytorch Advanced

  • Visualisation de Tensorboard
  • Introduction de lecture de données flexibles
  • Introduction à Autograd.function
  • Parallélisme des données et multi-GPU
  • Convertir en modèle CAF2 en utilisant ONNX
  • Comment déployer un réseau de neurones formé
  • Créez vos propres habitudes d'utilisation de Pytorch

Partie 2: Application de l'apprentissage en profondeur

• Chapitre 9: Vision informatique

  • Affinement fin: transfert d'apprentissage par un réglage fin
  • Première expérience de Kaggle: Bataille de chat et de chiens
  • Segmentation sémantique: implémentez la classification au niveau des pixels via FCN
  • Pixel aux réseaux adversaires génératifs de pixels
  • Transfert neuronal: mise en œuvre du transfert de style via des réseaux convolutionnels
  • Dreed Dream: Explorer le monde aux yeux des réseaux convolutionnels

• Chapitre 10: Traitement du langage naturel

  • Char RNN implémente la génération de texte
  • Légende d'image: implémentation de la génération de sous-titres d'image
  • SEQ2SEQ implémente la traduction machine
  • CNN + RNN + attention à réaliser la reconnaissance de texte

Quelques autres ressources

Pour certains cours publics et des ressources d'apprentissage pour l'apprentissage en profondeur, veuillez vous référer à mon référentiel

Vous pouvez suivre ma chronique et mon blog Zhihu, et vous partagerez souvent des articles d'apprentissage en profondeur

Ressources sur Pytorch

Mon repo github pytorch-beginner

pytorch-tutoriel

le pytorch incrédible

pytorch pratique

Pytorchzerotoall

Liste génial-pytorch

Reconnaissance

Certaines parties de la deuxième édition de ce livre se réfèrent au tutoriel chinois du Gluon MXNET et utilisent MXNET / GLUON pour apprendre l'apprentissage en profondeur.

Gluon est un cadre très similaire à Pytorch. Il est très simple et facile à utiliser. Je vous recommande de l'apprendre et de recommander également les cours chinois de Gluon, qui sont enseignés dans tous les chinois, ont des vidéos et des pratiques de code. On peut dire que ce soit le tutoriel chinois le plus complet chinois.