PyTorch Tutorial 2nd
v1.0.0-PD
Après 5 ans, 4 ans et 2 ans, le "Pytorch Practical Tutorial" (deuxième édition) a été achevé. Au-dessus de l'essence de la première édition, des cas d'apprentissage en profondeur riche et détaillés et des cadres de déploiement de raisonnement ont été ajoutés, ce qui rend ce livre plus systématiquement les connaissances impliquées par les ingénieurs d'apprentissage en profondeur. Par exemple, le développement de la technologie de l'intelligence artificielle a été Wave After Wave, "Pytorch Practical Tutorial" (deuxième édition) n'est pas terminé, mais repose à nouveau, ouvrant de nouvelles technologies, de nouveaux champs et de nouveaux chapitres. J'espère continuer à apprendre et à progresser avec tout le monde dans la technologie de l'intelligence artificielle à l'avenir.
Lire en ligne ( open source gratuitement ): "Pytorch Practical Tutorial" (deuxième édition)
Code de support ( open source gratuit ): "Pytorch Practical Tutorial" (deuxième édition)
???: Veuillez cliquer sur Star pour l'encourager!
Ce projet a été inclus dans la communauté Hellogithub et a été ajouté au programme Badge HelloGithub
Ce livre prend des concepts de base comme la pierre angulaire, la vision par ordinateur, le traitement du langage naturel et les modèles de gros langage comme le cœur et le cadre de déploiement d'inférence comme le pont, qui fournissent tous aux lecteurs l'ingénierie du code et les explications théoriques de la mise en œuvre du projet. Le livre est divisé en trois parties, la première partie: Introduction, la deuxième partie: application, la partie suivante: implémentation.
Pytorch Basics. Pour les étudiants débutants, non professionnels et de premier cycle, nous fournissons une introduction à Pytorch, expliquons la construction de l'environnement de développement, introduisant les modules de base du pytorch tels que les données, les modèles, l'optimisation et la visualisation. Enfin, nous utilisons les points de connaissance Pytorch expliqués pour construire un ensemble de structure de code pour jeter les bases des applications ultérieures.
Application industrielle. Après l'article précédent, j'ai aiguisé un bon couteau, puis je l'ai utilisé pour montrer mes compétences dans divers domaines. Trois sujets seront expliqués, à savoir la vision informatique, le traitement du langage naturel et le modèle de grand langage.
-
Dans le chapitre CV, il comprend des tâches traditionnelles, y compris huit tâches majeures: classification d'images, segmentation d'image, détection d'objets, suivi des objets, génération de Gan, génération de diffusion, description d'image et récupération d'image .
-
Dans le chapitre NLP, il comprend une explication détaillée et une application des modèles RNN, LSTM, Transformer, Bert et GPT. Les tâches d'application comprennent cinq tâches majeures: la classification du texte, la traduction automatique, la reconnaissance corporelle de dénomination, la question et la réponse de l'AQ et la génération d'articles .
-
Dans le chapitre LLM, il comprend 4 déploiements LLM et analyse de code et une application de l'industrie LLM - GPT Academic (GPT Academic Optimization) , LLM comprend quatre principaux modèles grand public d'open source en Chine, Qwen, ChatGLM, Baichuan et YI .
L'industrie est mise en œuvre. Avec des outils et des scénarios, nous devons la rendre précieuse et devenir des services d'algorithmes utilisables et utiles. Par conséquent, il est courant de supprimer le cadre de formation et le cadre lourd comme Pytorch pour le déploiement, l'accélération et la quantification. Ce chapitre introduira les principes et l'utilisation de l'ONNX et du Tensorrt , et en même temps, utilise Tensorrt pour analyser le concept de quantification, le pratique et les principes du PTQ et de la quantification du QAT .
Je crois que grâce à l'apprentissage des premiers articles, moyens et suivants, il peut aider les étudiants d'introduction à éviter de nombreux détours, à maîtriser rapidement Pytorch, à avoir la possibilité de se tenir seul, de sélectionner des modèles d'algorithmes basés sur des scénarios réels et de déployer et d'appliquer les modèles pour former une boucle fermée et ouvrir l'ensemble du processus.
Structure claire: l'ensemble du livre est divisé en trois parties: la première partie (introduction), la deuxième partie (application) et la partie suivante (implémentation), guidant progressivement les lecteurs à apprendre en profondeur.
Combinaison de la théorie et de la pratique: fournit non seulement des explications théoriques, mais permet également aux lecteurs d'appliquer la théorie à la pratique à travers de riches cas de projet.
Cas pratiques riches: fournir des cas pratiques dans plusieurs domaines tels que la vision informatique, le traitement du langage naturel et les modèles de gros langues.
Couverture systématique: couvre les bases de Pytorch, les tâches de base de la vision par ordinateur, les tâches de base du traitement du langage naturel, les bases du modèle de grande langue et le cadre de déploiement d'inférence.
Large applicabilité: adapté aux étudiants d'auto-étude de l'IA, aux chefs de produit de l'IA, aux étudiants actuels et aux personnes transversales à lire, en rencontrant les lecteurs avec des antécédents et des besoins différents.
Afin d'améliorer l'atmosphère de lecture des lecteurs et de fournir des canaux de communication, un groupe de communication QQ a été spécialement établi.
Pour assurer la qualité de la communication au sein du groupe, vous avez besoin d'un mot de passe pour rejoindre le groupe. Veuillez vérifier le code
Dans un avenir proche, nous partagerons les derniers articles techniques du groupe, notamment CV Project Practical Combat, le raisonnement et le déploiement LLM, les systèmes de chiffon et d'autres technologies de pointe. Bienvenue pour rejoindre l'échange technique.
Un groupe: 671103375 (complet)
Groupe 2: 773031536 (complet)
Trois groupes: 514974779 (complet)
Quatre groupes: 854620826
Ce travail est concédé sous licence Creative Commons Attribution-Noncommercial Use 4.0 International License.
Arrêter l'enregistrement de mise à jour:
| date | calendrier | Raison de l'arrêt de la mise à jour | Temps d'arrêt |
|---|---|---|---|
Il devrait se poursuivre jusqu'en novembre | |||
