d2l pytorch

---

UPDATE: Silakan lihat repo orignal untuk port Pytorch lengkap. Kami tidak lagi mempertahankan repo ini.

Proyek ini diadaptasi dari Buku Penyelaman Asli ke Deep Learning oleh Aston Zhang, Zachary C. Lipton, Mu Li, Alex J. Smola dan semua kontributor komunitas. Github dari buku asli: https://github.com/d2l-ai/d2l-en. Kami telah berusaha untuk memodifikasi buku dan mengubah cuplikan kode MXNET menjadi Pytorch.

Catatan: Beberapa buku catatan IPYNB mungkin tidak diterjemahkan dengan sempurna di GitHub. Kami menyarankan cloning repo atau menggunakan NBViewer untuk melihat notebook.

Bab

• Instalasi CH02

  • Instalasi

• CH03 PENDAHULUAN

  • Perkenalan

• CH04 PENDURUTAN: A crashcourse

  • 4.1 Manipulasi Data
  • 4.2 Aljabar linier
  • 4.3 Diferensiasi Otomatis
  • 4.4 Probabilitas dan Statistik
  • 4.5 Klasifikasi Bayes Naif
  • 4.6 Dokumentasi

• Jaringan saraf linear CH05

  • 5.1 Regresi Linier
  • 5.2 Implementasi regresi linier dari awal
  • 5.3 Implementasi Ringkas dari Regresi Linier
  • 5.4 Regresi Softmax
  • 5.5 Data Klasifikasi Gambar (Fashion-Mnist)
  • 5.6 Implementasi Regresi Softmax dari awal
  • 5.7 Implementasi Ringkas dari Regresi Softmax

• CH06 Multilayer Perceptrons

  • 6.1 Perceptron multilayer
  • 6.2 Implementasi Perceptron multilayer dari awal
  • 6.3 Implementasi Ringkas dari Perceptron Multilayer
  • 6.4 Pemilihan Model Underfitting and Overfitting
  • 6.5 Pembusukan Berat Badan
  • 6.6 putus sekolah
  • 6.7 Propagasi maju perambatan mundur dan grafik komputasi
  • 6.8 Stabilitas dan Inisialisasi Numerik
  • 6.9 Mempertimbangkan lingkungan
  • 6.10 memprediksi harga rumah di kaggle

• CH07 Komputasi Pembelajaran Mendalam

  • 7.1 Lapisan dan Blok
  • 7.2 Manajemen Parameter
  • 7.3 Inisialisasi Ditangguhkan
  • 7.4 Lapisan Kustom
  • 7.5 File I/O.
  • 7.6 GPU

• Jaringan saraf konvolusional CH08

  • 8.1 Dari lapisan padat hingga konvolusi
  • 8.2 Konvolusi untuk Gambar
  • 8.3 padding dan langkah
  • 8.4 Saluran input dan output berganda
  • 8.5 Pooling
  • 8.6 Convolutional Neural Networks (Lenet)

• CH09 Jaringan Konvolusional Modern

  • 9.1 Jaringan saraf konvolusional yang dalam (Alexnet)
  • 9.2 Jaringan Menggunakan Blok (VGG)
  • 9.3 Jaringan di Jaringan (NIN)
  • 9.4 Jaringan dengan penggabungan paralel (Googlenet)
  • 9.5 Normalisasi Batch
  • 9.6 Jaringan Residual (ResNet)
  • 9.7 jaringan yang terhubung padat (Densenet)

• Jaringan saraf berulang CH10

  • 10.1 Model urutan
  • 10.2 Model Bahasa
  • 10.3 Jaringan Saraf Berulang
  • 10.4 Preprocessing Teks
  • 10.5 Implementasi jaringan saraf berulang dari awal
  • 10.6 Implementasi ringkas dari jaringan saraf berulang
  • 10.7 Backpropagation Melalui Waktu
  • 10.8 Gated Recurrent Unit (GRU)
  • 10.9 memori jangka pendek (LSTM)
  • 10.10 Jaringan saraf berulang yang dalam
  • 10.11 jaringan saraf berulang dua arah
  • 10.12 Terjemahan dan Dataset Mesin
  • 10.13 Arsitektur Encoder-Decoder
  • 10.14 Urutan ke urutan
  • 10.15 pencarian balok

• Mekanisme perhatian CH11

  • 11.1 Mekanisme Perhatian
  • 11.2 Urutan untuk urutan dengan mekanisme perhatian
  • 11.3 Transformer

• Algoritma optimasi CH12

  • 12.1 Optimalisasi dan Pembelajaran mendalam
  • 12.2 Convexity
  • 12.3 Keturunan Gradien
  • 12.4 keturunan gradien stokastik
  • 12.5 Keturunan Gradien Stokastik Mini-Batch
  • 12.6 Momentum
  • 12.7 Adagrad
  • 12.8 RMSPROP
  • 12.9 Adadelta
  • 12.10 Adam

• Visi komputer CH14

  • 14.1 augmentasi gambar
  • 14.2 Fine Tuning
  • 14.3 Deteksi Objek dan Kotak Pembatas
  • 14.4 Kotak Jangkar
  • 14.5 Deteksi Objek Multiskale
  • 14.6 Set Data Deteksi Objek (Pikachu)
  • 14.7 Deteksi Multibox Single Shot (SSD)
  • 14.8 CNN berbasis wilayah (R-CNNS)
  • 14.9 Segmentasi Semantik dan Set Data
  • 14.10 Konvolusi Transposed
  • 14.11 Jaringan Konvolusional sepenuhnya (FCN)
  • 14.12 Transfer Gaya Saraf
  • 14.13 Klasifikasi Gambar (CIFAR-10) Di Kaggle
  • 14.14 Identifikasi Breed Anjing (Anjing Imagenet) di Kaggle

Berkontribusi

• Silakan membuka permintaan tarik untuk menyumbangkan buku catatan di Pytorch untuk seluruh bab. Sebelum memulai dengan notebook, buka masalah dengan nama notebook untuk berkontribusi untuk hal yang sama. Kami akan menetapkan masalah itu kepada Anda (jika tidak ada yang ditugaskan sebelumnya).

• Ikuti secara ketat konvensi penamaan untuk notebook Ipython dan subbagian.

• Juga, jika Anda berpikir ada bagian yang membutuhkan lebih banyak/penjelasan yang lebih baik, silakan gunakan pelacak masalah untuk membuka masalah dan beri tahu kami tentang hal yang sama. Kami akan kembali secepat mungkin.

• Temukan beberapa kode yang membutuhkan perbaikan dan kirimkan permintaan tarik.

• Temukan referensi yang kami lewatkan dan mengirimkan permintaan tarik.

• Cobalah untuk tidak mengirimkan permintaan tarikan besar karena ini membuat mereka sulit dipahami dan dimasukkan. Lebih baik kirim beberapa yang lebih kecil.

Mendukung

Jika Anda menyukai repo ini dan merasa berguna, silakan pertimbangkan (★) yang dibintangi, sehingga dapat menjangkau audiens yang lebih luas.

Referensi

[1] Buku Asli Selami Pembelajaran Deep -> Github Repo

[2] Pembelajaran mendalam - obat bius lurus

[3] Pytorch - MXNet Cheatsheet

Mengutip

Jika Anda menggunakan pekerjaan atau kode ini untuk penelitian Anda, silakan kutip buku asli dengan entri Bibtex berikut.

 @book{zhang2020dive,
    title={Dive into Deep Learning},
    author={Aston Zhang and Zachary C. Lipton and Mu Li and Alexander J. Smola},
    note={url{https://d2l.ai}},
    year={2020}
}