Deep Learning with PyTorch Chinese

Learning en profondeur avec-pytorch-chinois

Ce projet (portail de version Web) traduit le livre officiel de Pytorch "Deep Learning with Pytorch" (version d'extrait de base) en chinois et donne le code pertinent qui peut être exécuté tout au long du livre.

Ce projet traduit le livre officiel de Pytorch "Deep Learning with Pytorch" (version essentielle de l'extrait) en chinois.

1. Introduction du livre

Depuis sa création en 2016, Pytorch est devenu l'un des cadres d'apprentissage en profondeur les plus chauds aujourd'hui. Récemment, le livre de didacticiel officiel de Pytorch faisant autorité "Deep Learning with Pytorch" a finalement été publié. Dès que la nouvelle est publiée, il a été fortement recommandé par le géant Yann LeCun. C'est un excellent manuel pour démarrer avec Pytorch et Deep Learning.

Il convient de noter que le PDF fourni par le site officiel de Pytorch est un extrait de base (Excelpts essentiels), avec un total de 141 pages, et le contenu comprend les cinq parties suivantes:

1. Introduction à l'apprentissage en profondeur et au pytorch
2. Commencer par un tenseur
3. Utilisez des tenseurs pour représenter les données réelles
4. Mécanisme d'apprentissage
5. Ajuster les données à l'aide du réseau neuronal

Par conséquent, il peut être utilisé comme tutoriel pour démarrer avec Pytorch. La version complète de ce livre est également disponible pour un aperçu gratuit, Portal.

2. Introduction du projet

Ce projet traduit le livre original en chinois et donne des codes pertinents qui peuvent être exécutables.

Ce référentiel contient principalement deux dossiers: le code et les documents (plus certaines données sont stockées dans les données). Le dossier de code est le code de carnet de jupyter pertinent pour chaque chapitre; Le dossier DOCS est la traduction chinoise du contenu pertinent au format Markdown "Deep Learning with Pytorch" (Version Extratt de base), puis utilisez DocSify pour déployer le document Web sur les pages GitHub. Les contributions à ce projet ou problème sont les bienvenues.

3. Comment utiliser

Ce projet s'adresse aux chaussures pour enfants qui s'intéressent à Pytorch, en particulier à ceux qui veulent commencer rapidement. Ce projet ne vous oblige pas à avoir des connaissances de base de l'apprentissage en profondeur ou de l'apprentissage automatique. Il vous suffit de comprendre les mathématiques et la programmation de base, telles que l'algèbre linéaire de base, la différentiel et la probabilité et la programmation de base Python.

La documentation de ce référentiel contient des formules en latex, mais le Markdown natif de GitHub ne prend pas en charge l'affichage des formules, et le dossier DOCS a été déployé sur des pages GitHub à l'aide de DocSify, afin que vous puissiez facilement accéder à la version Web de ce projet. Si vous souhaitez exécuter le code pertinent, vous devez cloner le projet, puis exécuter le code pertinent dans le dossier de code.

Étant donné que les extraits de base se sont traduits dans ce projet, il ne représente que 141 pages, il convient pour un démarrage rapide avec Pytorch. Si vous voulez avoir plus d'apprentissage approfondi du pytorch et de l'apprentissage en profondeur (comme la vision par ordinateur, le traitement du langage naturel, etc.), vous pourriez avoir besoin de plus d'informations. Si vous êtes intéressé, vous pouvez vous référer à un autre projet de mon plongée Into-Dl-Pytorch.

4. Contenu

• Introduction
• 1. Introduction à l'apprentissage en profondeur et au pytorch
  • 1.1 Qu'est-ce que Pytorch
  • 1.2 Que dit ce livre sur
  • 1.3 Pourquoi utiliser Pytorch
  • 1.4 composants inclus dans Pytorch
• 2. Commencez par un tenseur
  • 2.1 Bases du tenseur
  • 2.2 tenseurs et stockage
  • 2,3 Taille, décalage de stockage et taille de pas
  • 2.4 Type de données
  • 2.5 Tenseur d'index
  • 2.6 Intercommunication avec Numpy
  • 2.7 sérialiser les tenseurs
  • 2.8 Transférer les tenseurs vers le GPU pour fonctionner
  • 2.9 API tenseur
• 3. Utilisez des tenseurs pour représenter les données réelles
  • 3.1 Données tabulaires
  • 3,2 séries chronologiques
  • 3.3 Données de texte
  • 3.4 Données d'image
  • 3,5 données de volume
• 4. Mécanisme d'apprentissage
  • 4.1 L'apprentissage est une estimation des paramètres
  • 4.2 Guide automatique Pytorch
• 5. Utilisez le réseau neuronal pour ajuster les données
  • 5.1 neurones
  • 5.2 Module NN de Pytorch
  • Sous-classe 5.3 NN

5. Déclaration

• Le traducteur se traduit uniquement à des fins d'apprentissage et d'intérêts personnels et ne poursuit aucun avantage économique;
• Ce projet est limité à l'utilisation des fins d'apprentissage et de recherche uniquement. Le traducteur se réserve le droit de nommer le projet. Toute réimpression doit indiquer la source, mais ne doit être utilisée à des fins commerciales;
• L'utilisation de ce projet d'infraction de l'œuvre originale ou de tout acte qui viole la loi sur la protection de la propriété intellectuelle n'a rien à voir avec le traducteur;
• Ceux qui sont en mesure de lire des livres en anglais devraient lire la version originale ou acheter la version complète du livre.

LICENCE

CC BY-NC (utilisation d'attribution-non-commerciale) 4.0