Ini adalah kode yang sesuai untuk buku "Deep Learning Framework Pytorch: Getting Start dan Practice (edisi ke -2)", tetapi juga dapat digunakan sebagai panduan dan tutorial pemula Pytorch yang independen.
Upgrade baru
Edisi kedua buku ini baru ditingkatkan berdasarkan edisi pertama, dan kode buku ini ditulis berdasarkan edisi 1 Pytorch versi 1.8. Ini telah diperbarui secara komprehensif dalam kombinasi dengan pendapat pembaca edisi pertama, termasuk tiga modul: penggunaan dasar, ekspansi lanjutan dan aplikasi praktis.
isi
Isi buku ini (tutorial/repositori) ditampilkan pada gambar: 
Dapat dilihat bahwa tutorial ini dapat dibagi menjadi tiga bagian:
Penggunaan Dasar (Bab 2 hingga 5) menjelaskan konten Pytorch. Bagian ini memperkenalkan modul utama di Pytorch dan beberapa alat yang umum digunakan dalam pembelajaran mendalam. Untuk bagian konten ini, di sini kami menggunakan Jupyter Notebook sebagai alat pengajaran, dan pembaca dapat memodifikasi dan menjalankan notebook dan berulang kali bereksperimen.
- Bab 2 memperkenalkan pemasangan pytorch dan konfigurasi lingkungan belajar terkait. Pada saat yang sama, bab ini memperkenalkan konten utama Pytorch secara garis besar untuk membantu pembaca mendapatkan pemahaman awal Pytorch.
- Bab 3 memperkenalkan penggunaan tensor array multi-dimensi dan sistem diferensial otomatis Autograd di Pytorch, dan memberikan contoh cara menggunakan tensor dan autograd untuk mencapai regresi linier, dan membandingkan perbedaannya. Bab ini menganalisis struktur dasar tensor dan prinsip -prinsip Autograd untuk membantu pembaca memahami modul yang mendasari Pytorch secara lebih komprehensif.
- Bab 4 memperkenalkan penggunaan dasar modul jaringan saraf NN di Pytorch, menjelaskan lapisan, fungsi aktivasi, fungsi kerugian dan pengoptimal dalam jaringan saraf, dan membuat pembaca menggunakan kurang dari 50 baris kode untuk mengimplementasikan resnet struktur jaringan klasik.
- Bab 5 memperkenalkan alat-alat seperti pemuatan data, model pra-pelatihan, alat visualisasi, dan akselerasi GPU di Pytorch. Menggunakan alat -alat ini secara rasional dapat meningkatkan efisiensi pemrograman pengguna.
Ekstensi Lanjutan (Bab 6-8) menjelaskan beberapa ekstensi canggih di Pytorch. Mempelajari bagian ini dapat membantu pembaca menulis program yang lebih efisien.
- Bab 6 memperkenalkan ide -ide vektorisasi di Pytorch, terutama termasuk aturan penyiaran, indeks dasar, indeks lanjutan dan operasi Einstein. Pada akhir bab ini, para pembaca memimpin untuk menggunakan ide -ide vektorisasi untuk mengimplementasikan operasi konvolusional, interleaving, ROI menyelaraskan, dan membalikkan operasi unik dalam pembelajaran mendalam.
- Bab 7 memperkenalkan operasi terdistribusi di Pytorch. Komputasi terdistribusi dan komputasi paralel dapat mempercepat proses pelatihan jaringan. Bab ini memperkenalkan secara rinci prinsip -prinsip dasar komputasi paralel dan komputasi terdistribusi, dan juga memperkenalkan cara menggunakan obor. Didistribusikan dan Horovod untuk pelatihan Pytorch terdistribusi.
- Bab 8 memperkenalkan ekstensi CUDA di Pytorch, para pembaca terkemuka menggunakan CUDA untuk mengimplementasikan fungsi sigmoid. Pada saat yang sama, bab ini merangkum hubungan antara Cuda, Nvidia-Driver, Cudnn dan Python.
Aplikasi Praktis (Bab 9-13) Gunakan Pytorch untuk mengimplementasikan beberapa aplikasi keren dan menarik. Untuk bagian konten ini, repositori ini menyediakan kode implementasi lengkap dan menyediakan model pra-terlatih sebagai demo untuk diuji oleh pembaca.
- Bab 9 adalah bab yang menghubungkan masa lalu dan masa depan. Tujuannya bukan untuk mengajari pembaca fungsi baru dan pengetahuan baru, tetapi untuk menggabungkannya dengan kompetisi klasik di Kaggle untuk mewujudkan masalah klasifikasi biner gambar paling sederhana dalam pembelajaran yang mendalam. Selama proses implementasi, pembaca akan dituntun untuk meninjau pengetahuan dari 5 bab pertama dan membantu pembaca mengatur program dan kode secara wajar untuk membuat program lebih mudah dibaca dan dipertahankan dengan lebih baik. Pada saat yang sama, bab ini memperkenalkan cara men -debug di Pytorch.
- Bab 10 memperkenalkan prinsip -prinsip dasar untuk menghasilkan jaringan permusuhan, mengarahkan pembaca untuk mengimplementasikan generator avatar anime dari awal, dan dapat menggunakan jaringan permusuhan generatif untuk menghasilkan avatar anime dengan berbagai gaya.
- Bab 11 memperkenalkan beberapa pengetahuan dasar tentang pemrosesan bahasa alami, dan memperkenalkan secara rinci prinsip -prinsip dasar Charrnn dan Transformer. Bab ini membuat pembaca menggunakan transformator untuk secara otomatis menulis puisi. Program ini dapat meniru orang -orang kuno untuk sekuel puisi dan menghasilkan puisi tersembunyi.
- Bab 12 memperkenalkan prinsip -prinsip dasar transfer gaya dan mengarahkan pembaca untuk mengimplementasikan jaringan saraf yang mendukung transfer gaya sewenang -wenang. Melalui jaringan ini, pembaca dapat mengubah gambar apa pun menjadi gaya lukisan terkenal.
- Bab 13 memperkenalkan prinsip-prinsip dasar deteksi objek dan membuat pembaca mengimplementasikan satu tahap, bebas jangkar, dan algoritma deteksi target penindasan nilai maksimum algoritma. Ide-ide desain Centernet dapat dimigrasikan ke masalah visi komputer klasik seperti deteksi objek, estimasi postur manusia, dan pelacakan target gambar tiga dimensi.
Konten Deskripsi Teks dan beberapa Konten Markdown di Notebook termasuk dalam draf pertama buku ini. Mungkin ada ketidaknyamanan dalam deskripsi. Harap dipahami bahwa penulis secara bertahap akan memperbaikinya nanti . Bagian konten ini memastikan konsistensi 80% dengan buku ini, tetapi mungkin ada beberapa masalah tata bahasa. Karena keterbatasan waktu, penulis akan secara bertahap memperbaruinya di masa depan.
Apakah Anda perlu membeli buku?
Buku tidak perlu . Gudang ini berisi lebih dari 60% konten teks dan lebih dari 90% kode dalam buku ini, terutama konten pengantar dalam beberapa bab sebelumnya, yang hampir sepenuhnya mempertahankan konten penjelasan dalam buku ini. Pembaca dapat menggunakan tutorial ini secara normal meskipun mereka tidak membeli buku.
Jika Anda pikir Anda lebih suka pengalaman membaca versi kertas dan ingin meninggalkan buku yang dicetak dengan indah dan dicetak sepenuhnya untuk membaca dengan mudah, Anda mungkin juga menghabiskan sedikit uang untuk mendukung karya penulis selama setahun terakhir ~
Deskripsi kode
Kode ini terutama diuji di bawah Python3+Pytorch1.6 ~ 1,8 untuk mendapatkan hasil akhirnya. Python2 belum diuji, dan versi yang diperbarui dari Pytorch belum diuji.
Jika ada ketidaksesuaian atau bidang apa pun yang perlu ditingkatkan, buka diskusi masalah atau kirimkan permintaan tarik.
Konfigurasi Lingkungan
Untuk menginstal Pytorch, silakan pilih versi yang ditentukan dari situs web resmi untuk menginstalnya, dan menginstalnya dengan satu klik. Untuk metode instalasi lebih lanjut, silakan merujuk pada instruksi dalam buku ini.
Mengkloning repositori
git clone https : // github . com / chenyuntc / PyTorch - book . git
^_^
Jika Anda memiliki bug, penjelasan atau kebingungan yang tidak jelas, buka masalah
Selamat datang di tarik permintaan
Happy Coding!
- JD.com Beli Tautan
- Tautan pembelian dangdang
