code of learn deep learning with pytorch

Pytorch

Belajarlah belajar yang mendalam dengan pytorch

Terima kasih banyak telah membeli buku ini. Repositori GitHub ini berisi kode contoh untuk Pytorch, yang merupakan pengantar pembelajaran mendalam. Karena level saya yang terbatas, saya merujuk beberapa informasi online saat menulis buku ini, dan saya ingin menyatakan rasa hormat saya kepada mereka di sini. Ketika teknologi pembelajaran mendalam berkembang pesat, Pytorch juga terus diperbarui, dan saya memiliki banyak bidang yang belum saya bahas ketika saya menyelesaikan buku ini, jadi repositori ini akan diperbarui sebagai layanan tindak lanjut untuk membeli buku kedua. Saya harap saya dapat memberi Anda kekuatan ramping di jalan untuk memulai dengan pembelajaran yang mendalam.

Catatan: Karena perubahan versi Pytorch, kode dalam buku mungkin memiliki bug, jadi semua kode terutama didasarkan pada yang ada di github ini.

Konfigurasikan lingkungan

Buku ini telah memberikan secara rinci cara mengkonfigurasi lingkungan Python berdasarkan Anaconda dan menginstal Pytorch. Jika Anda menggunakan komputer sendiri dan memiliki kartu grafis NVIDIA, maka Anda dapat dengan senang hati memasuki dunia pembelajaran yang mendalam. Jika Anda tidak memiliki kartu grafis NVIDIA, maka kami memerlukan platform komputasi awan untuk membantu kami mempelajari perjalanan pembelajaran yang mendalam. Cara Mengkonfigurasi Platform Komputasi AWS

Katalog kursus berikut berbeda dari yang ada di buku ini, karena konten sedang diperbarui ke edisi kedua, dan edisi kedua akan segera diluncurkan! Lai

Katalog kursus

Part1: Dasar -dasar Pembelajaran mendalam

• Bab 2: Dasar -dasar Pytorch

  • Tensor dan variabel
  • Mekanisme Bimbingan Otomatis
  • Gambar dinamis dan statis

• Bab 3: Jaringan Saraf

  • Model linier dan keturunan gradien
  • Regresi logistik dan pengoptimal
  • Jaringan saraf multi-lapisan, berurutan dan modul
  • Jaringan saraf yang dalam
  • Metode Inisialisasi Parameter
  • Algoritma optimasi
    • SGD
    • Metode momentum
    • Adagrad
    • Rmsprop
    • Adadelta
    • Adam

• Bab 4: Jaringan Saraf Konvolusional

  • Modul konvolusional di pytorch
  • Normalisasi Batch
  • Jaringan yang dalam menggunakan elemen berulang, VGG
  • Struktur jaringan yang lebih kaya, googlelenet
  • Jaringan residu yang dalam, resnet
  • Densenet
  • Jaringan pelatihan yang lebih baik
    • Peningkatan data
    • Regularisasi
    • Pembusukan Tingkat Pembelajaran

• Bab 5: Jaringan Saraf Berulang

  • Modul Jaringan Saraf Berulang: LSTM dan Gru
  • Menggunakan RNN untuk Klasifikasi Gambar
  • Analisis deret waktu menggunakan RNN
  • Aplikasi Pemrosesan Bahasa Alami:
    • Kata embedding
    • Model N-Gram
    • SEQ-LSTM untuk membuat prediksi sebagian kata

• Bab 6: Menghasilkan Jaringan Perselisihan

  • Encoder otomatis
  • Encoder otomatis variasional
  • Menghasilkan jaringan permusuhan
  • Jaringan permusuhan yang mendalam (DCGAN) menghasilkan wajah manusia

• Bab 7: Pembelajaran Penguatan yang mendalam

  • Q Belajar
  • Buka gym AI
  • Q-Networks yang dalam

• Bab 8: Pytorch Advanced

  • Visualisasi Tensorboard
  • Pendahuluan Pembacaan Data Fleksibel
  • Pengantar Autograd.Function
  • Paralelisme data dan multi-GPU
  • Konversi ke model Caffe2 menggunakan ONNX
  • Cara menggunakan jaringan saraf terlatih
  • Buat kebiasaan penggunaan Pytorch Anda sendiri

Part2: Penerapan Pembelajaran yang mendalam

• Bab 9: Visi Komputer

  • Fine-tuning: Transfer pembelajaran melalui fine tuning
  • Pengalaman Pertama Kaggle: Pertempuran Kucing dan Anjing
  • Segmentasi Semantik: Menerapkan Klasifikasi Level Pixel melalui FCN
  • Pixel ke Pixel Jaringan permusuhan generatif
  • Transfer Saraf: Transfer Gaya Menerapkan melalui Jaringan Konvolusional
  • Deep Dream: Menjelajahi Dunia Di Mata Jaringan Konvolusional

• Bab 10: Pemrosesan Bahasa Alami

  • Char rnn mengimplementasikan pembuatan teks
  • Keterangan Gambar: Menerapkan Generasi Subtitle Gambar
  • SEQ2SEQ mengimplementasikan terjemahan mesin
  • CNN + RNN + Perhatian untuk mewujudkan pengenalan teks

Beberapa sumber daya lainnya

Untuk beberapa kursus publik dan sumber belajar untuk pembelajaran yang mendalam, silakan merujuk ke repositori saya

Anda dapat mengikuti kolom dan blog Zhihu saya, dan Anda akan sering berbagi beberapa artikel pembelajaran yang mendalam

Sumber daya tentang Pytorch

Repo github saya pytorch-beginner

Pytorch-Tutorial

The-Incredible-Pytorch

Praktis-Pytorch

Pytorchzerotoall

Daftar-pytorch-list

Pengakuan

Beberapa bagian dari edisi kedua buku ini merujuk pada tutorial Cina MXNet Gluon, dan menggunakan MXNet/Gluon untuk belajar pembelajaran yang mendalam.

Gluon adalah kerangka kerja yang sangat mirip dengan Pytorch. Ini sangat sederhana dan mudah digunakan. Saya merekomendasikan Anda untuk mempelajarinya dan juga merekomendasikan kursus Cina Gluon, yang diajarkan dalam semua bahasa Cina, memiliki video, dan praktik kode. Ini dapat dikatakan sebagai tutorial pembelajaran mendalam Cina yang paling komprehensif.