Dive into DL TensorFlow2.0

Proyek ini mengubah implementasi kode MXNET dalam buku asli "Hand-On Deep Learning" menjadi TensorFlow2. Setelah tutor Archersama berkonsultasi dengan guru Li Mu, implementasi proyek ini telah disetujui oleh guru Li Mu. Penulis buku asli: Aston Zhang, Li Mu, Zachary C. Lipton, Alexander J. Smora dan kontributor komunitas lainnya, Alamat GitHub: https://github.com/d2l-ai/d2l-zh

Ada beberapa perbedaan dalam versi Cina dan Inggris dari buku ini. Proyek ini terutama Refactors TensorFlow2 untuk versi Cina dari buku ini. Selain itu, proyek ini juga mengacu pada proyek menyelam-into-dl-pytorch yang merefaktor Pytorch dalam versi Cina dari buku ini, terima kasih di sini.

Ini telah diperbarui ke sepuluh bab dan sedang diperbarui terus menerus. . .

Proyek ini telah dilaporkan oleh banyak akun publik seperti mesin mesin dan telah diakui oleh penulis asli Li Mu.

Perkenalan

Repositori ini terutama berisi dua folder: kode dan dokumen (ditambah beberapa data disimpan dalam data). Folder kode adalah kode notebook Jupyter yang relevan untuk setiap bab (berdasarkan TensorFlow2); Folder DOCS adalah konten yang relevan dalam format markdown buku "Hand-On Deep Learning", dan kemudian menggunakan DocSify untuk menggunakan dokumen web ke halaman GitHub. Karena buku asli menggunakan kerangka kerja MXNET, konten dokumen mungkin sedikit berbeda dari buku asli, tetapi konten keseluruhannya sama. Kontribusi untuk proyek atau masalah ini dipersilakan.

Untuk orang banyak

Proyek ini ditujukan untuk sepatu anak -anak yang tertarik pada pembelajaran mendalam, terutama mereka yang ingin menggunakan TensorFlow2 untuk pembelajaran yang mendalam. Proyek ini tidak mengharuskan Anda memiliki pengetahuan latar belakang tentang pembelajaran mendalam atau pembelajaran mesin. Anda hanya perlu memahami matematika dan pemrograman dasar, seperti aljabar linier dasar, diferensial dan probabilitas, dan pemrograman python dasar.

Cara makan

Metode 1

Repositori ini berisi beberapa rumus lateks, tetapi asli GitHub Markdown tidak mendukung tampilan formula, dan folder Docs telah digunakan pada halaman GitHub menggunakan DocSify, sehingga cara termudah untuk melihat dokumen adalah dengan langsung mengakses versi web proyek ini . Tentu saja, jika Anda masih ingin menjalankan kode yang relevan, Anda masih harus mengkloning proyek dan kemudian menjalankan kode yang relevan di folder kode.

Metode 2

Anda juga dapat mengakses dokumentasi secara lokal dan menginstal alat docsify-cli terlebih dahulu:

npm i docsify-cli -g

Kemudian klon proyek secara lokal:

git clone https://github.com/TrickyGo/Dive-into-DL-TensorFlow2.0
cd Dive-into-DL-TensorFlow2.0

Kemudian jalankan server lokal, sehingga Anda dapat dengan mudah mengakses efek rendering web dokumen secara real time di http://localhost:3000 .

docsify serve docs

Kontributor

Sponsor dan kontributor utama dari proyek ini adalah sebagai berikut

Archersama (pemimpin)

Trickygo

Pedang

Shusentang

Liangqingyuan

Daftar isi

• Perkenalan
• Panduan Membaca
• 1. Pengantar pembelajaran mendalam
• 2. Pengetahuan Persiapan
  • 2.1 Konfigurasi Lingkungan
  • 2.2 Operasi Data
  • 2.3 Secara otomatis menemukan gradien
  • 2.4 Periksa dokumennya
• 3. Dasar -dasar pembelajaran mendalam
  • 3.1 Regresi linier
  • 3.2 Implementasi regresi linier dari awal
  • 3.3 Implementasi Ringkas dari Regresi Linier
  • 3.4 Regresi Softmax
  • 3.5 Dataset Klasifikasi Gambar (Fashion-Mnist)
  • 3.6 Implementasi Regresi Softmax dari awal
  • 3.7 Implementasi sederhana regresi softmax
  • 3.8 Mesin penginderaan multi-lapisan
  • 3.9 Implementasi mesin persepsi multi-lapisan dari awal
  • 3.10 Implementasi sederhana mesin persepsi multi-lapisan
  • 3.11 Pemilihan model, underfitting dan overfitting
  • 3.12 Pembusukan Berat Badan
  • 3.13 Metode Buang
  • 3.14 Propagasi ke depan, diagram perambatan dan perhitungan kembali
  • 3.15 Stabilitas Numerik dan Inisialisasi Model
  • 3.16 Kompetisi Kaggle Aktual: Prediksi Harga Rumah
• 4. Komputasi Pembelajaran Mendalam
  • 4.1 Konstruksi Model
  • 4.2 Akses, Inisialisasi dan Berbagi Parameter Model
  • 4.3 Tunda inisialisasi parameter model
  • 4.4 Lapisan Kustom
  • 4.5 Membaca dan Penyimpanan
  • 4.6 Komputasi GPU
• 5. Jaringan Saraf Konvolusional
  • 5.1 Lapisan Konvolusi Dua Dimensi
  • 5.2 Isi dan melangkah
  • 5.3 Saluran Multi-Input dan Saluran Multi-Output
  • 5.4 Lapisan Pooling
  • 5.5 Convolutional Neural Network (Lenet)
  • 5.6 Jaringan Saraf Konvolusional yang Dalam (Alexnet)
  • 5.7 Jaringan Menggunakan Elemen Berulang (VGG)
  • 5.8 Jaringan di Jaringan (NIN)
  • 5.9 Jaringan dengan Koneksi Paralel (Googlenet)
  • 5.10 Normalisasi Batch
  • 5.11 Jaringan Residual (ResNet)
  • 5.12 Densenet
• 6. Jaringan Saraf Berulang
  • 6.1 Model Bahasa
  • 6.2 Jaringan Saraf Berulang
  • 6.3 Dataset Model Bahasa (Lirik Album Jay Chou)
  • 6.4 Implementasi jaringan saraf berulang dari awal
  • 6.5 Implementasi sederhana dari jaringan saraf berulang
  • 6.6 Backpropagation Melalui Waktu
  • 6.7 Unit Sirkulasi Gated (GRU)
  • 6.8 memori jangka pendek (LSTM)
  • 6.9 jaringan saraf berulang yang dalam
  • 6.10 jaringan saraf berulang dua arah
• 7. Algoritma Optimasi
  • 7.1 Optimalisasi dan Pembelajaran mendalam
  • 7.2 keturunan gradien dan keturunan gradien stokastik
  • 7.3 Keturunan gradien stokastik batch kecil
  • 7.4 Metode Momentum
  • 7.5 Algoritma Adagrad
  • 7.6 Algoritma RMSPROP
  • 7.7 Algoritma Adadelta
  • 7.8 Algoritma Adam
• 8. Kinerja Komputasi
  • 8.1 Pemrograman Hibrida Imperatif dan Simbol
  • 8.2 Perhitungan Asinkron
  • 8.3 Komputasi Paralel Otomatis
  • 8.4 Komputasi Multi-GPU
• 9. Visi Komputer
  • 9.1 augmentasi gambar
  • 9.2 Penyesuaian halus
  • 9.3 Deteksi Objek dan Kotak Pembatas
  • 9.4 Frame Anchor
  • 9.5 Deteksi Target Multi-Skala
  • 9.6 Dataset Deteksi Objek (Pikachu)
  • Seri 9.8 Regional Convolutional Neural Network (R-CNN)
  • 9.9 Segmentasi dan Dataset Semantik
  • 9.10 Full Convolutional Network (FCN)
  • 9.11 Migrasi Gaya
  • 9.12 Kompetisi Kaggle Praktis: Klasifikasi Gambar (CIFAR-10)
  • 9.13 Kompetisi Kaggle Praktis: Identifikasi Breed Anjing (Anjing Imagenet)
• 10. Pemrosesan Bahasa Alami
  • 10.1 Word Embedding (Word2Vec)
  • 10.2 Perkiraan pelatihan
  • 10.3 Implementasi Word2Vec
  • 10.4 Subword Embedding (FastText)
  • 10.5 Menyematkan kata vektor global (sarung tangan)
  • 10.6 Temukan sinonim dan analogi
  • 10.7 Klasifikasi Emosi Teks: Menggunakan jaringan saraf berulang
  • 10.8 Klasifikasi Emosi Teks: Menggunakan Jaringan Saraf Konvolusional (TextCNN)
  • 10.9 Encoder-Decoder (SEQ2SEQ)
  • 10.10 Pencarian Bunch
  • 10.11 Mekanisme perhatian
  • 10.12 Terjemahan Mesin
• 11. Lampiran
  • 11.1 Daftar simbol utama
  • 11.2 Dasar -dasar Matematika
  • 11.3 Menggunakan Jupyter Notebook
  • 11.4 Jalankan kode menggunakan AWS
  • 11.5 Panduan Pembelian GPU

Terus diperbarui ...

Alamat buku asli

Versi Cina: Belajar Pembelajaran Deep Di Tangan | Repositori GitHub
Versi Bahasa Inggris: Selami pembelajaran mendalam | Repo github

Mengutip

Jika Anda menggunakan proyek ini dalam penelitian Anda, silakan kutip buku aslinya:

 @book{zhang2019dive,
    title={Dive into Deep Learning},
    author={Aston Zhang and Zachary C. Lipton and Mu Li and Alexander J. Smola},
    note={url{http://www.d2l.ai}},
    year={2019}
}