eat_pytorch_in_20_days

Bagaimana cara makan pytorch dalam 20 hari?

1. Apakah buku ini untuk pembaca?

Buku ini mengasumsikan bahwa pembaca memiliki landasan tertentu dalam pembelajaran mesin dan pembelajaran yang mendalam, dan telah menggunakan keras atau tensorflow atau pytorch untuk membangun model sederhana yang terlatih.

Nama panggilannya adalah versi video "Eat That Pytorch dalam 20 hari" dicatat ke Bilibili. Kecinda penuh dengan hati mereka, hanya untuk rasa lokal yang paling murni. Teman -teman baru dan lama dipersilakan untuk datang dan merasakannya ??!

https://www.bilibili.com/video/bv1ua411p7oe

2. Apa gaya penulisan buku ini?

Buku ini adalah buku referensi pengantar Pytorch yang sangat ramah kepada pengguna manusia. Jangan biarkan saya berpikir adalah pengejaran tertinggi dari buku ini.

Buku ini terutama dikompilasi dan ditulis berdasarkan referensi ke dokumentasi Pytorch resmi dan dokumentasi dokumen fungsi.

Meskipun dokumentasi Pytorch resmi cukup ringkas dan jelas, buku ini telah membuat banyak optimasi dalam pemilihan struktur dan contoh bab, yang lebih baik dalam hal keramahan pengguna.

Buku ini merancang konten sesuai dengan kesulitan konten, kebiasaan pencarian pembaca dan struktur hierarkis Pytorch sendiri, tingkat langkah demi langkah dan yang jelas, membuatnya nyaman untuk menemukan contoh yang sesuai sesuai dengan fungsinya.

Buku ini sesederhana dan terstruktur mungkin dalam contoh desain, meningkatkan keterbacaan dan keserbagunaan contoh. Sebagian besar cuplikan kode dapat digunakan di luar kotak dalam praktiknya.

Jika sekitar 5 untuk menguasai Pytorch melalui mempelajari dokumen -dokumen resmi Pytorch, maka kesulitan menguasai Pytorch melalui buku ini harus sekitar 2.

Hanya angka berikut yang membandingkan perbedaan antara dokumen Pytorch resmi dan buku "Eat That Pytorch dalam 20 hari".

3. Rencana belajar untuk buku ini⏰

1. Rencana Studi

Buku ini ditulis oleh penulis yang menggunakan sekitar 3 bulan dari waktu luangnya, dan sebagian besar pembaca harus dapat sepenuhnya mempelajarinya dalam waktu 20 hari.

Waktu belajar yang Anda habiskan setiap hari adalah antara 30 menit dan 2 jam.

Tentu saja, buku ini juga sangat cocok sebagai referensi untuk manual alat Pytorch ketika diimplementasikan sebagai contoh perpustakaan.

Klik judul biru konten pembelajaran untuk memasukkan bab ini.

tanggal	Belajar konten	Kesulitan konten	Perkiraan waktu studi	Perbarui status
	1. Proses Pemodelan Pytorch	️	0 jam	✅
Day1	1-1, contoh proses pemodelan data terstruktur	️️	1 jam	✅
Day2	1-2, contoh proses pemodelan data gambar	️️	2 jam	✅
Day3	1-3, contoh proses pemodelan data teks	️️ert	2 jam	✅
Day4	1-4, contoh proses pemodelan data seri waktu	️️ert	2 jam	✅
	2. Konsep inti Pytorch	️	0 jam	✅
Day5	2-1, struktur data tensor	️️	1 jam	✅
Day6	2-2, mekanisme diferensial otomatis	️️	1 jam	✅
Day7	2-3, Diagram Perhitungan Dinamis	️️ert	2 jam	✅
	3. Hierarki Pytorch	️	0 jam	✅
Day8	3-1, demonstrasi API orde rendah	️️	1 jam	✅
Day9	3-2, demonstrasi API menengah	️️	1 jam	✅
Day10	3-3, demonstrasi API lanjutan	️️	1 jam	✅
	4. API orde rendah Pytorch	️	0 jam	✅
Hari11	4-1, operasi struktural tensor	️️ert	2 jam	✅
Day12	4-2, operasi matematika tensor	️️	1 jam	✅
Day13	4-3, nn.fungsional dan nn.module	️️	1 jam	✅
	5. API Menengah Pytorch	️	0 jam	✅
Day14	5-1, dataset dan datasoader	️️	1 jam	✅
Day15	5-2, Model Layer	️️ert	2 jam	✅
Day16	5-3, fungsi kerugian	️️	1 jam	✅
Day17	5-4, Visualisasi Tensorboard	️️	1 jam	✅
	6. API Lanjutan Pytorch	️	0 jam	✅
Day18	6-1, 3 cara untuk membangun model	️️	0,5 jam	✅
Day19	6-2, 3 cara untuk melatih model	️️	1 jam	✅
Day20	6-3, gunakan GPU untuk melatih model	️️	1 jam	✅
*	Postscript: Tampilan Produk Saya	️	0 jam	✅

2. Lingkungan belajar

Semua kode sumber buku ini ditulis dalam Jupyter dan lulus tes. Dianjurkan untuk mengkloningnya secara lokal melalui git dan menjalankan pembelajaran secara interaktif di Jupyter.

Langkah1: Kloning kode sumber buku ini ke area lokal, gunakan Code Cloud Mirror Warehouse untuk mengunduh lebih cepat di China

 git clone https://gitee.com/Python_Ai_Road/eat_pytorch_in_20_days

Langkah2: Algoritma resmi algoritma makanan makanan Balas Kata kunci: pytorch , dapatkan paket ringkasan kumpulan data yang digunakan dalam proyek ini EAT_PYTORCH_DATASETS.zip Baidu Cloud Disk Tautan Unduh, Unduh dan Decompress dan Pindah ke jalur EAT_PYTORCH_IN_20_DOYS, sekitar 160m.

 import torch 
from torch import nn

print ( "torch version:" , torch . __version__ )

a = torch . tensor ([[ 2 , 1 ]])
b = torch . tensor ([[ - 1 , 2 ]])
c = a @ b . t ()
print ( "[[2,1]]@[[-1],[2]] =" , c . item ())

 torch version: 2.0.1
[[2,1]]@[[-1],[2]] = 0

4. Catatan Pembaruan Proyek

1, 2022-08 ?? Perbarui bab Pytorch dan Rekomendasi Periklanan

Cocok untuk siswa yang tertarik dengan bidang rekomendasi iklan dan perlu maju ??

tanggal	Belajar konten	Kesulitan konten	Perkiraan waktu studi	Perbarui status
	7. Rekomendasi Pytorch dan Iklan	️	0 jam	✅
Day1	7-1, bisnis algoritma yang direkomendasikan	️️	0,5 jam	✅
Day2	7-2, bisnis algoritma iklan	️️	0,5 jam	✅
Day3	7-3, model FM	️️	1 jam	✅
Day4	7-4, model DeepFM	️️	1 jam	✅
Day5	7-5, model fibinet	️️	2 jam	✅
Day6	7-6, DeepCross Model	️️ert	2 jam	✅
Day7	7-7, DIN Network	️️ert	2 jam	✅
Day8	7-8, jaringan dien	️️ert	2 jam	✅

2, 2023-03 ?? Perbarui Bab Telur Paskah

Pengantar beberapa alat periferal yang terkait dengan Pytorch

tanggal	Belajar konten	Kesulitan konten	Perkiraan waktu studi	Perbarui status
	Telur Paskah: Alat Perifer Pytorch	️	0 jam	✅
Day1	A-1, Panduan Penggunaan GPU Gratis Kaggle	️️	1 jam	✅
Day2	A-2, Streamlit Membangun Aplikasi Pembelajaran Mesin	️️	1 jam	✅
Day3	A-3, Gunakan chip Mac M1 untuk mempercepat Pytorch	️️	1 jam	✅
Day4	A-4, Panduan Sihir Penyesuaian Parameter Visual Optuna	️️	1 jam	✅
Day5	A-5, Gradio membuat model pembelajaran mesin Anda seksi	️️	1 jam	✅
Day6	A-6, analisis visual model wandb	️️	0,5 jam	✅
Day7	A-7, Visualisasi Model Wandb dan Penyesuaian Parameter Otomatis	️️	1 jam	✅

3. 2023-07 ?? Perbarui pibrary pustaka alat pelatihan model pytorch torchkeras

Kode bab yang relevan telah dioptimalkan dan disesuaikan.

Fungsi	Dukungan stabil untuk versi awal	Bergantung pada atau meminjam perpustakaan
✅ Pelatihan Progress Bar	3.0.0	Mengandalkan TQDM, belajar dari keras
✅ Indikator evaluasi pelatihan	3.0.0	Menggambar di pytorch_lightning
✅ Pelatihan dalam buku catatan dilengkapi dengan visualisasi	3.8.0	Menarik dari fastai
✅ berhenti lebih awal	3.0.0	Menggambar di keras
✅ Pelatihan GPU	3.0.0	Bergantung pada acceleraterate
✅ Pelatihan Multi-GPU (DDP)	3.6.0	Bergantung pada acceleraterate
✅ Pelatihan FP16/BF16	3.6.0	Bergantung pada acceleraterate
✅ Tensorboard Callback	3.7.0	Bergantung pada Tensorboard
✅ Wandb callback	3.7.0	Bergantung pada wandb

Untuk detailnya, silakan merujuk ke tautan proyek :: https://github.com/lyhue1991/torchkeras

5. Dorong dan hubungi penulis ??

Jika buku ini bermanfaat bagi Anda, saya ingin mendorong penulis, ingatlah untuk menambahkan bintang ke proyek ini dan membaginya dengan teman -teman Anda?!

Jika Anda memiliki beberapa pertanyaan atau saran tentang konten buku ini, Anda dapat membalas kata kunci di backend akun resmi "Algorithm Food House": Bergabunglah dengan grup dan bergabunglah dengan Grup Pertukaran Pembaca untuk berdiskusi dengan semua orang.