eat_pytorch_in_20_days

Comment manger du pytorch en 20 jours?

1. Est-ce que ce livre pour les lecteurs?

Ce livre suppose que les lecteurs ont une certaine base dans l'apprentissage automatique et l'apprentissage en profondeur et ont utilisé des keras ou des tensorflow ou un pytorch pour construire des modèles simples formés.

Le surnom est une version vidéo de "Eat That Pytorch en 20 jours" est connecté à Bilibili. Les gourmets sont pleins de leur cœur, juste pour la saveur locale la plus pure. De nouveaux et anciens amis sont les bienvenus pour venir le goûter ??!

https://www.bilibili.com/video/bv1ua411p7oe

2. Quel est le style d'écriture de ce livre?

Ce livre est un livre de référence d'introduction à Pytorch qui est extrêmement amical avec les utilisateurs humains. Ne me laisse pas penser que c'est la plus haute poursuite de ce livre.

Ce livre est principalement compilé et écrit en fonction de la référence à la documentation officielle de Pytorch et à la documentation du document.

Bien que la documentation officielle de Pytorch soit assez concise et claire, ce livre a fait beaucoup d'optimisations dans la sélection de la structure et des exemples du chapitre, ce qui est mieux en termes de convivialité.

Ce livre conçoit le contenu en fonction de la difficulté du contenu, des habitudes de recherche des lecteurs et de la propre structure hiérarchique de Pytorch, des niveaux étape par étape et des niveaux clairs, ce qui rend pratique de trouver des exemples correspondants selon les fonctions.

Ce livre est aussi simple et structuré que possible dans l'exemple de conception, améliorant la lisibilité et la polyvalence des exemples. La plupart des extraits de code peuvent être utilisés hors de la boîte dans la pratique.

S'il s'agit d'environ 5 pour maîtriser Pytorch en apprenant les documents officiels de Pytorch, alors la difficulté de maîtriser Pytorch à travers ce livre devrait être environ 2.

Seul la figure suivante compare les différences entre le document officiel de Pytorch et le livre "Eat That Pytorch en 20 jours".

3. Plan d'étude pour ce livre⏰

1. Plan d'étude

Ce livre a été écrit par l'auteur en utilisant environ 3 mois de son temps libre, et la plupart des lecteurs devraient être en mesure de l'apprendre entièrement dans les 20 jours.

Le temps d'étude que vous passez chaque jour se situe entre 30 minutes et 2 heures.

Bien sûr, ce livre est également très adapté comme référence pour le manuel de l'outil Pytorch lorsqu'il est implémenté comme exemple de bibliothèque.

Cliquez sur le titre bleu de l'apprentissage du contenu pour entrer ce chapitre.

date	Contenu d'apprentissage	Difficulté de contenu	Temps d'étude estimé	Mettre à jour l'état
	1. Processus de modélisation de Pytorch	️	0 heures	✅
jour1	1-1, exemple de processus de modélisation des données structurés	Çons	1 heure	✅
jour2	1-2, exemple de processus de modélisation des données d'image	Çons	2 heures	✅
jour3	1-3, exemple de processus de modélisation des données de texte	Çons	2 heures	✅
jour4	1-4, Exemple de processus de modélisation des données de séries chronologiques	Çons	2 heures	✅
	2. Le concept principal de Pytorch	️	0 heures	✅
jour5	2-1, structure de données du tenseur	Çons	1 heure	✅
jour6	2-2, mécanisme différentiel automatique	Çons	1 heure	✅
jour7	2-3, diagramme de calcul dynamique	Çons	2 heures	✅
	3. Hiérarchie Pytorch	️	0 heures	✅
jour8	3-1, démonstration d'API de faible commande	Çons	1 heure	✅
jour 9	3-2, démonstration d'API intermédiaire	Çons	1 heure	✅
jour10	3-3, démonstration API avancée	Çons	1 heure	✅
	4. API de bas d'ordre de Pytorch	️	0 heures	✅
jour11	4-1, fonctionnement structurel des tenseurs	Çons	2 heures	✅
jour12	4-2, fonctionnement mathématique des tenseurs	Çons	1 heure	✅
jour13	4-3, nn.Fonctionnel et nn.module	Çons	1 heure	✅
	5. API intermédiaire de Pytorch	️	0 heures	✅
jour14	5-1, ensemble de données et dataloader	Çons	1 heure	✅
jour15	5-2, couche modèle	Çons	2 heures	✅
jour16	5-3, fonction de perte	Çons	1 heure	✅
jour17	5-4, visualisation Tensorboard	Çons	1 heure	✅
	6. API avancé de Pytorch	️	0 heures	✅
jour 18	6-1, 3 façons de construire un modèle	Çons	0,5 heure	✅
jour19	6-2, 3 façons de former le modèle	Çons	1 heure	✅
jour20	6-3, utilisez le GPU pour former le modèle	Çons	1 heure	✅
*	Postcript: ma vue de produit	️	0 heures	✅

2. Environnement d'apprentissage

Tous les codes source de ce livre sont écrits en Jupyter et ont réussi le test. Il est recommandé de le cloner localement via GIT et d'exécuter l'apprentissage de manière interactive dans Jupyter.

Étape 1: Clone le code source de ce livre dans la région, utilisez l'entrepôt de miroir de code de code pour télécharger plus rapidement en Chine

 git clone https://gitee.com/Python_Ai_Road/eat_pytorch_in_20_days

Étape2: Algorithme de compte officiel Réponse de la maison alimentaire Mots-clés: pytorch , obtenez le package de compression de résumé de données utilisé dans ce projet Lien de téléchargement de disque Cloud EAT_PYTORCH_DATASETS.zip Baidu, Téléchargement et décompressez et déplacez-vous vers le PATH EAT_PYTORCH_IN_20_DAYS, environ 160m.

 import torch 
from torch import nn

print ( "torch version:" , torch . __version__ )

a = torch . tensor ([[ 2 , 1 ]])
b = torch . tensor ([[ - 1 , 2 ]])
c = a @ b . t ()
print ( "[[2,1]]@[[-1],[2]] =" , c . item ())

 torch version: 2.0.1
[[2,1]]@[[-1],[2]] = 0

4. Enregistrement de mise à jour du projet

1, 2022-08 ?? Mettre à jour les chapitres Pytorch et Recommandation publicitaire

Convient aux étudiants qui sont intéressés par les champs de recommandation publicitaire et qui ont besoin d'avancé ??

date	Contenu d'apprentissage	Difficulté de contenu	Temps d'étude estimé	Mettre à jour l'état
	7. Pytorch et recommandations publicitaires	️	0 heures	✅
jour1	7-1, entreprise d'algorithme recommandé	Çons	0,5 heure	✅
jour2	7-2, Affaire des algorithmes publicitaires	Çons	0,5 heure	✅
jour3	7-3, modèle FM	Çons	1 heure	✅
jour4	7-4, modèle DeepFM	Çons	1 heure	✅
jour5	7-5, modèle de fibinet	Çons	2 heures	✅
jour6	7-6, modèle Deepcross	Çons	2 heures	✅
jour7	7-7, réseau DIN	Çons	2 heures	✅
jour8	7-8, réseau Dien	Çons	2 heures	✅

2, 2023-03 ?? Mettre à jour le chapitre des œufs de Pâques

Introduction à certains outils périphériques liés à Pytorch

date	Contenu d'apprentissage	Difficulté de contenu	Temps d'étude estimé	Mettre à jour l'état
	Oeuf de Pâques: outils périphériques pytorch	️	0 heures	✅
jour1	A-1, guide d'utilisation GPU gratuit de Kaggle	Çons	1 heure	✅
jour2	A-2, rational construit des applications d'apprentissage automatique	Çons	1 heure	✅
jour3	A-3, utilisez une puce Mac M1 pour accélérer le pytorch	Çons	1 heure	✅
jour4	A-4, Optuna Visual Paramet Ajustement Magic Guide	Çons	1 heure	✅
jour5	A-5, Gradio rend votre modèle d'apprentissage automatique sexy	Çons	1 heure	✅
jour6	A-6, analyse visuelle du modèle WANDB	Çons	0,5 heure	✅
jour7	A-7, visualisation du modèle WANDB et réglage automatique des paramètres	Çons	1 heure	✅

3. 2023-07 ?? Mettez à jour la bibliothèque d'outils de formation du modèle Pytorch Torchkeras

Le code de chapitre pertinent a été optimisé et ajusté en conséquence.

Fonction	Prise en charge stable pour la version de départ	Dépendre ou emprunter la bibliothèque
✅ Barre de progression de la formation	3.0.0	Comptez sur TQDM, apprenez des keras
✅ Indicateurs d'évaluation de la formation	3.0.0	Dessin sur pytorch_lightning
✅ La formation en cahier est livrée avec une visualisation	3.8.0	Dessiner de fastai
✅ Arrêt anticipé	3.0.0	S'appuyer sur des keras
✅ Formation GPU	3.0.0	Dépendre de l'accélératerate
✅ Formation multi-gpus (DDP)	3.6.0	Dépendre de l'accélératerate
✅ FP16 / BF16 Formation	3.6.0	Dépendre de l'accélératerate
✅ Rappel Tensorboard	3.7.0	Dépendre de Tensorboard
✅ Rappel Wandb	3.7.0	Dépendre de Wandb

Pour plus de détails, veuillez consulter le lien du projet :: https://github.com/lyhue1991/torchkeras

5. Encouragez et contactez l'auteur ??

Si ce livre vous est utile, je voudrais encourager l'auteur, n'oubliez pas d'ajouter une étoile à ce projet et de le partager avec vos amis ?!

Si vous avez des questions ou des suggestions sur le contenu de ce livre, vous pouvez répondre aux mots clés dans le backend du compte officiel "Algorithm Food House": Rejoignez le groupe et rejoignez le Reader Exchange Group pour discuter avec tout le monde.