PyTorch Tutorial 2nd
v1.0.0-PD
Setelah 5 tahun, 4 tahun dan 2 tahun, "Tutorial Praktis Pytorch" (Edisi Kedua) telah selesai. Di atas esensi dari edisi pertama, kasus aplikasi pembelajaran mendalam yang kaya dan terperinci dan kerangka kerja penempatan penalaran telah ditambahkan, membuat buku ini lebih sistematis mencakup pengetahuan yang terlibat oleh insinyur pembelajaran yang mendalam. Sebagai contoh, pengembangan teknologi kecerdasan buatan telah menjadi gelombang demi gelombang, "tutorial praktis Pytorch" (edisi kedua) belum berakhir, tetapi berlayar lagi, membuka teknologi baru, bidang baru, dan bab -bab baru. Saya berharap untuk terus belajar dan maju dengan semua orang dalam teknologi kecerdasan buatan di masa depan.
Baca Online ( Open Source Gratis ): "Tutorial Praktis Pytorch" (Edisi Kedua)
Kode Pendukung ( Open Source Gratis ): "Tutorial Praktis Pytorch" (Edisi Kedua)
???: Silakan klik Star untuk mendorongnya!
Proyek ini telah dimasukkan dalam komunitas HelloGithub dan telah ditambahkan ke Program Lencana HelloGithub
Buku ini mengambil konsep -konsep dasar sebagai landasan, visi komputer, pemrosesan bahasa alami dan model bahasa besar sebagai inti, dan kerangka kerja penyebaran inferensi sebagai jembatan, yang semuanya memberi pembaca rekayasa kode dan penjelasan teoritis untuk implementasi proyek. Buku ini dibagi menjadi tiga bagian, bagian pertama: Pendahuluan, Bagian Kedua: Aplikasi, Bagian Berikutnya: Implementasi.
Dasar -dasar Pytorch. Untuk pemula, mahasiswa non-profesional dan sarjana, kami memberikan pengantar Pytorch, menjelaskan konstruksi lingkungan pengembangan, memperkenalkan modul inti pytorch seperti data, model, optimisasi, dan visualisasi. Akhirnya, kami menggunakan poin pengetahuan Pytorch yang dijelaskan untuk membangun serangkaian struktur kode sendiri untuk meletakkan fondasi untuk aplikasi selanjutnya.
Aplikasi Industri. Setelah artikel sebelumnya, saya mempertajam pisau yang baik dan kemudian menggunakannya untuk menunjukkan keterampilan saya di berbagai bidang. Tiga topik akan dijelaskan, yaitu visi komputer, pemrosesan bahasa alami dan model bahasa besar.
-
Dalam bab CV, termasuk tugas utama, termasuk delapan tugas utama: klasifikasi gambar, segmentasi gambar, deteksi objek, pelacakan objek, pembuatan GAN, pembuatan difusi, deskripsi gambar dan pengambilan gambar .
-
Dalam bab NLP, itu termasuk penjelasan rinci dan aplikasi model RNN, LSTM, Transformer, Bert dan GPT. Tugas aplikasi mencakup lima tugas utama: klasifikasi teks, terjemahan mesin, penamaan pengenalan tubuh, pertanyaan dan jawaban QA, dan pembuatan artikel .
-
Dalam bab LLM, itu mencakup 4 penyebaran LLM dan analisis kode dan aplikasi industri LLM - GPT Academic (GPT Academic Optimization) , LLM mencakup empat model utama open source di Cina, Qwen, Chatglm, Baichuan dan Yi .
Industri diterapkan. Dengan alat dan skenario, kita harus membuatnya berharga dan menjadi layanan algoritma yang dapat digunakan dan bermanfaat. Oleh karena itu, adalah umum untuk menghapus kerangka kerja pelatihan dan kerangka kerja berat seperti Pytorch untuk penyebaran, akselerasi, dan kuantifikasi. Bab ini akan memperkenalkan prinsip -prinsip dan penggunaan ONNX dan Tensorrt , dan pada saat yang sama, menggunakan Tensorrt untuk menganalisis konsep kuantisasi, praktis dan prinsip -prinsip kuantisasi PTQ dan QAT .
Saya percaya bahwa melalui pembelajaran artikel pertama, tengah dan berikutnya, ini dapat membantu siswa pengantar menghindari banyak jalan memutar, dengan cepat menguasai Pytorch, memiliki kemampuan untuk berdiri sendiri, dapat memilih model algoritma berdasarkan skenario aktual, dan dapat menggunakan dan menerapkan model untuk membentuk loop tertutup, dan membuka seluruh proses.
Struktur yang jelas: Seluruh buku dibagi menjadi tiga bagian: bagian pertama (Pendahuluan), bagian kedua (aplikasi), dan bagian selanjutnya (implementasi), secara bertahap membimbing pembaca untuk belajar secara mendalam.
Kombinasi teori dan praktik: tidak hanya memberikan penjelasan teoretis, tetapi juga memungkinkan pembaca untuk menerapkan teori untuk berlatih melalui kasus -kasus proyek yang kaya.
Kasus -kasus praktis yang kaya: Menyediakan kasus -kasus praktis di berbagai bidang seperti visi komputer, pemrosesan bahasa alami dan model bahasa besar.
Cakupan Sistematik: Meliputi Dasar -Dasar Pytorch, Tugas Dasar Visi Komputer, Pemrosesan Bahasa Alami Tugas Dasar, Dasar -Dasar Model Bahasa Besar, dan Kerangka Penyebaran Inferensi.
Penerapan yang luas: Cocok untuk siswa belajar mandiri AI, manajer produk AI, siswa saat ini dan orang-orang lintas lapangan untuk membaca, bertemu pembaca dengan latar belakang dan kebutuhan yang berbeda.
Untuk meningkatkan suasana membaca pembaca dan menyediakan saluran komunikasi, kelompok komunikasi QQ ditetapkan secara khusus.
Untuk memastikan kualitas komunikasi dalam grup, Anda memerlukan kata sandi untuk bergabung dengan grup. Silakan periksa kodenya
Dalam waktu dekat, kami akan membagikan artikel teknis terbaru dalam grup, termasuk CV Proyek Praktis Combat, penalaran dan penyebaran LLM, sistem RAG dan teknologi mutakhir lainnya. Selamat datang untuk bergabung dengan pertukaran teknis.
Grup: 671103375 (penuh)
Grup 2: 773031536 (penuh)
Tiga Grup: 514974779 (penuh)
Empat Grup: 854620826
Karya ini dilisensikan di bawah Lisensi Internasional Atribusi Creative Commons Non-komersial 4.0 International.
Hentikan Catatan Pembaruan:
| tanggal | jadwal | Alasan untuk menghentikan pembaruan | Berhenti waktu |
|---|---|---|---|
Itu diharapkan berlanjut hingga November | |||
