deep_learning_from_scratch

DEEPEEDEARNING/AI dari Stracth

Perkenalan

Repo ini adalah untuk mempraktikkan pembelajaran yang mendalam dan AI generatif. Ini pada dasarnya mencakup model pembelajaran mendalam yang populer di CV, NLP, Genai dll. Tujuan repo ini adalah untuk memberikan pemahaman yang komprehensif dan praktis tentang pembelajaran mendalam dan AI generatif. Repo disusun sedemikian rupa sehingga mencakup topik -topik berikut:

• Model prediksi: digunakan untuk regresi, klasifikasi dll.
  • Googlenet
  • resnet
  • Densenet
  • Model Rekomendasi
    • DLRM
    • Deepfm
    • mmoe
    • BST
• Model generatif: digunakan untuk menghasilkan data baru
  • Model autogresif
    • Pixelcnn
  • Vae
  • Model Berbasis Energi
  • aliran normalisasi
  • Model Difusi
• Model Penemuan: Digunakan untuk mempelajari keadaan tersembunyi data untuk tugas hilir
  • AE
  • Pembelajaran yang di-swadaya:
    • Pembelajaran Kontras: Simclr
  • Vit

Daftar di atas tidak termasuk semua karya revolusioner, seperti GAN, model difusi tidak termasuk. Saya sedang dalam perjalanan tangan untuk berlatih dan akan terus menambahkannya nanti.

Semua model diberi kode menggunakan pytorch dan pencahayaan, kami juga mencoba tuning hyperparameters menggunakan ray tune. Pengguna yang memiliki minat dapat merujuk ke readme.md di setiap folder model untuk lebih detail.

Cara menggunakan

Repo disusun sedemikian rupa sehingga setiap model berada dalam folder terpisah. Pengguna dapat langsung pergi ke folder yang menarik dan menjalankan kode. Kode ini didokumentasikan dengan baik dan mudah dimengerti. Pengguna juga dapat merujuk ke readme.md di setiap folder model untuk lebih detail.

Pengaturan

1. Klon repo ke mesin lokal Anda

 cd path/to/your/workspace
git clone https://github.com/Bingzw/DL_genAI_practicing.git

2. Buat lingkungan virtual Python

 python3 -m venv venv
source venv/bin/activate

3. Pasang paket yang diperlukan

 pip install -r requirements.txt

4. Pergi ke folder setiap model dan jalankan kode

 cd path/to/model/folder
python train.py