thorough pytorch
1.0.0
Important
Adresse de lecture en ligne | Prise en charge des tutoriels vidéo | Zhihai (National AI Science and Education Plateforme)
Veuillez noter: les mises à jour du document en ligne sont à la traîne des principales mises à jour du référentiel. Il est recommandé d'examiner le fichier Markdown dans le dossier source.
Pytorch est un outil important pour la recherche en science des données utilisant l'apprentissage en profondeur. Il présente des avantages considérables dans la flexibilité, la lisibilité et les performances. Ces dernières années, il est devenu le cadre le plus utilisé pour la mise en œuvre d'algorithmes d'apprentissage en profondeur dans la communauté universitaire.
Étant donné que l'apprentissage de Pytorch a à la fois des réserves théoriques et une formation pratique, et que les deux mains doivent être fortes, nous avons développé le cours "facile à comprendre Pytorch", dans l'espoir d'aider tout le monde à passer à la maîtrise des outils Pytorch sous forme d'apprentissage par équipe, puis de mettre en œuvre ses propres algorithmes d'apprentissage en profondeur.
Notre vision est: grâce à l'apprentissage par équipe, tout le monde peut maîtriser les connaissances et le contenu de base de Pytorch de superficiel à profond, et approfondir leur compétence grâce à leur propre pratique pratique. Dans le même temps, grâce à des opérations de projet réelles, nous pouvons former pleinement nos compétences en programmation, maîtriser le processus de base de Pytorch dans l'apprentissage en profondeur et améliorer notre capacité à résoudre des problèmes pratiques.
La condition préalable à l'apprentissage est de pouvoir utiliser la programmation Python, comprendre les algorithmes d'apprentissage automatique, y compris les réseaux de neurones et être diligent dans la pratique pratique.
"Facile à comprendre Pytorch" est une série avec trois parties au total. Les première et deuxième parties de cette série sont déjà en ligne. "Pytorch en profondeur et facile à comprendre" (partie 2) sera mis à jour à l'avenir pour donner des cas pratiques qui sont plus conformes aux applications pratiques.
| membre | Profil personnel | Page d'accueil personnelle |
|---|---|---|
| Niu zhikang | Membre de Datawhale, étudiant de premier cycle de l'Université des sciences et technologies électroniques de Xi'an | [Zhihu] [Page d'accueil personnelle] |
| Li Jiaqi | Membre de Datawhale, étudiant diplômé de l'Université Tsinghua | [Zhihu] |
| Liu Yang | Membre de Datawhale, étudiant diplômé de l'Institut des sciences des mathématiques et des systèmes, Academy des sciences chinoises | [Zhihu] |
| Chen Andong | Membre de Datawhale, étudiant diplômé du Harbin Institute of Technology | [Page d'accueil personnelle] |
Statut de contribution du tutoriel (les cours sont déjà en ligne):
Li Jiaqi: chapitre 3; Chapitre 4; Chapitre 5; Chapitre 6; Chapitre 7; Chapitre 8; Intégration de contenu
Niu Zhikang: Chapitre 1; Chapitre 3; Chapitre 6; Chapitre 7; Chapitre 8, chapitre 9, chapitre 10; Déploiement de documents
Liu Yang: Chapitre 2; Chapitre 3
Chen Andong: chapitre 2; Chapitre 3; Chapitre 7
Pour quelques explications en direct du chapitre, veuillez regarder la lecture de la station B (mise à jour en continu): https://www.bililili.com/video/bv1l44y1472z
Orchestration de cours: Pytorch approfondi et facile à comprendre est divisé en trois étapes: Connaissance de base de l'apprentissage en profondeur Pytorch, fonctionnement avancé du pytorch et analyse de cas du pytorch.
Comment utiliser:
Notre contenu de cours est stocké dans ce référentiel au format Markdown ou au format de carnet Jupyter. En plus de lire davantage pour approfondir la compréhension du contenu du cours, la chose la plus importante est de pratiquer, de pratiquer, de pratiquer
Arrangements d'apprentissage par équipe:
Partie 1: Chapitre 1 au chapitre 4, cycle d'étude: 10 jours;
Partie 2: Chapitre 5 au chapitre 8, Cycle d'apprentissage: 11 jours
Ce projet utilise le flux de travail Forking . Pour plus de détails, reportez-vous au document Atlassian, les étapes sont les suivantes:
upstream et désactiver pushlecture{#NO} , et #NO reste deux chiffres, tels que lecture07 , correspondant au répertoire de coursExemple de commande:
# fork
# clone
git clone [email protected]:USERNAME/thorough-pytorch.git
# set upstream
git remote add upstream [email protected]:datawhalechina/thorough-pytorch.git
# disable upstream push
git remote set-url --push upstream DISABLE
# verify
git remote -v
# some sample output:
# origin [email protected]:NoFish-528/thorough-pytorch.git (fetch)
# origin [email protected]:NoFish-528/thorough-pytorch.git (push)
# upstream [email protected]:datawhalechina/thorough-pytorch.git (fetch)
# upstream DISABLE (push)
# do your work
git checkout -b lecture07
# edit and commit and push your changes
git push -u origin lecture07
# keep your fork up to date
# # fetch upstream main and merge with forked main branch
git fetch upstream
git checkout main
git merge upstream/main
# # rebase brach and force push
git checkout lecture07
git rebase main
git push -f Soumettre des informations à l'aide du format suivant: <type>: <short summary>
<type>: <short summary>
│ │
│ └─⫸ Summary in present tense. Not capitalized. No period at the end.
│
└─⫸ Commit Type: [docs #NO]:others
others incluent des changements non liés à des cours, tels que les changements dans cette README.md , les ajustements à .gitignore , etc.
| contenu | Mettre à jour l'heure | contenu |
|---|---|---|
| sommet | Introduction et utilisation de l'apex | |
| Déploiement de modèle | Flask déploie le modèle Pytorch | |
| Torchscript | Torchscript | |
| Formation parallèle | Formation parallèle | |
| Modèle pré-formation - TorchHub | Introduction et utilisation de TorchHub | |
| Détection cible - SSD | Introduction et mise en œuvre du SSD | |
| Détection d'objet - série RCNN | RCNN rapide et masque-RCNN | |
| Détection cible - DETR | Implémentation de DETR | |
| Classification d'image - Googlelenet | Introduction et implémentation de Googlelenet | |
| Classification d'image - série Mobilenet | Introduction et mise en œuvre de la série Mobilenet | |
| Classification d'image - Ghostnet | Explication du code Ghostnet | |
| Réseau adversaire génératif - pratique numérique manuscrite générative | Générer des nombres et les visualiser | |
| Réseau adversaire génératif - DCGAN | ||
| Transfert de style - Stylegan | ||
| Générer le réseau - VAE | ||
| Segmentation d'image DeepLab Series | Explication du code de la série DeepLab | |
| Traitement du langage naturel LSTM | Pratique de l'analyse émotionnelle du LSTM | |
| Transformateur de traitement du langage naturel | ||
| Traitement du langage naturel Bert | ||
| vidéo | À déterminer | |
| Audio | À déterminer | |
| Extensions et opérateurs CUDA personnalisés |
Fait avec contribution.
Ce travail est concédé sous licence Creative Commons Attribution-non-Commercial-Share 4.0 International.
