uvadlc_notebooks
1.0.0
Catatan: Untuk melihat buku catatan dalam format yang lebih bagus, kunjungi situs web RTD kami: https://uvadlc-notebooks.readthedocs.io/en/latest/
Situs web kursus : https://uvadlc.github.io/
Edisi Kursus : Musim Gugur 2024 (28 Oktober - 20 Desember) - Dipelihara up to date
Rekaman : Daftar Putar YouTube
Penulis : Phillip Lippe
Untuk edisi kursus tahun ini, kami membuat serangkaian buku catatan Jupyter yang dirancang untuk membantu Anda memahami "teori" dari kuliah dengan melihat implementasi yang sesuai. Kami akan mengunjungi berbagai topik seperti teknik optimasi, transformator, grafik jaringan saraf, dan banyak lagi (untuk daftar lengkap, lihat di bawah). Notebook ada untuk membantu Anda memahami materi dan mengajarkan Anda detail kerangka kerja Pytorch , termasuk Pytorch Lightning . Lebih lanjut, kami menyediakan terjemahan satu-ke-satu dari notebook ke Jax+Flax sebagai kerangka kerja alternatif.
Notebook disajikan pada jam pertama setiap sesi tutorial grup. Selama sesi tutorial, kami akan menyajikan konten dan menjelaskan implementasi notebook. Anda dapat memutuskan diri sendiri apakah Anda hanya ingin melihat buku catatan yang diisi, ingin mencobanya sendiri, atau kode bersama selama sesi praktis. Notebook tidak secara langsung menjadi bagian dari penugasan wajib yang akan Anda nilai atau juga. Namun, kami mendorong Anda untuk terbiasa dengan buku catatan dan bereksperimen atau memperpanjangnya sendiri. Selanjutnya, konten yang disajikan akan relevan untuk penugasan dan ujian bertingkat.
Tutorial telah diintegrasikan sebagai tutorial resmi Pytorch Lightning. Dengan demikian, Anda juga dapat melihatnya dalam dokumentasi mereka.
Di situs web ini, Anda akan menemukan notebook yang diekspor ke format HTML sehingga Anda dapat membacanya dari perangkat apa pun yang Anda sukai. Namun, kami menyarankan agar Anda juga mencoba dan menjalankannya sendiri. Ada tiga cara utama menjalankan buku catatan yang kami rekomendasikan:
Secara lokal di CPU : Semua buku catatan disimpan di repositori GitHub yang juga membangun situs web ini. Anda dapat menemukannya di sini: https://github.com/phlippe/uvadlc_notebooks/tree/master/docs/tutorial_notebooks. Notebook ini dirancang sehingga Anda dapat menjalankannya di laptop umum tanpa perlu GPU. Kami menyediakan model pretrained yang secara otomatis diunduh saat menjalankan notebook, atau dapat diunduh secara manual dari Google Drive ini. Ruang disk yang diperlukan untuk model dan dataset pretrain kurang dari 1GB. Untuk memastikan bahwa Anda memiliki semua paket Python yang tepat yang diinstal, kami menyediakan lingkungan Conda di repositori yang sama (pilih versi CPU atau GPU tergantung pada sistem Anda).
Google Colab : Jika Anda lebih suka menjalankan notebook pada platform yang berbeda dari komputer Anda sendiri, atau ingin bereksperimen dengan dukungan GPU, kami sarankan menggunakan Google Colab. Setiap buku catatan di situs web dokumentasi ini memiliki lencana dengan tautan untuk membukanya di Google Colab. Ingatlah untuk mengaktifkan dukungan GPU sebelum menjalankan notebook ( Runtime -> Change runtime type ). Setiap notebook dapat dieksekusi secara mandiri, dan tidak mengharuskan Anda untuk menghubungkan Google Drive Anda atau yang serupa. Namun, saat menutup sesi, perubahan mungkin hilang jika Anda tidak menyimpannya ke komputer lokal Anda atau telah menyalin notebook ke Google Drive Anda sebelumnya.
Snellius Cluster : Jika Anda ingin melatih jaringan saraf Anda sendiri (lebih besar) berdasarkan notebook, Anda dapat menggunakan cluster Snellius. Namun, ini hanya disarankan jika Anda benar -benar ingin melatih model baru, dan menggunakan dua opsi lainnya untuk melalui diskusi dan analisis model. Snellius mungkin tidak mengizinkan Anda dengan akun siswa Anda untuk menjalankan buku catatan Jupyter secara langsung di partisi GPU_Shared. Sebagai gantinya, Anda dapat mengonversi notebook terlebih dahulu ke skrip menggunakan jupyter nbconvert --to script ...ipynb , dan kemudian memulai pekerjaan di Snellius untuk menjalankan skrip. Beberapa saran saat menjalankan Snellius:
progress_bar_refresh_rate=0 di pelatih.plt.show() ke plt.savefig(...) . Kami akan membahas 7 tutorial dalam kursus, tersebar di seluruh kuliah untuk mencakup sesuatu dari setiap area. Anda dapat menyelaraskan tutorial dengan kuliah berdasarkan topik mereka. Daftar tutorial adalah:
Ini adalah pertama kalinya kami menyajikan tutorial ini selama kursus pembelajaran yang dalam. Seperti halnya proyek lainnya, bug kecil dan masalah diharapkan. Kami menghargai umpan balik dari siswa, apakah itu tentang kesalahan ejaan, bug implementasi, atau saran untuk perbaikan/penambahan ke buku catatan. Silakan gunakan tautan berikut untuk mengirimkan umpan balik, atau jangan ragu untuk menghubungi saya secara langsung per surat (P dot Lippe di UVA DOT NL), atau ambil saya selama sesi TA apa pun.
Jika Anda menemukan tutorial bermanfaat dan ingin mengutipnya, Anda dapat menggunakan Bibtex berikut:
@misc { lippe2024uvadlc ,
title = { {UvA Deep Learning Tutorials} } ,
author = { Phillip Lippe } ,
year = 2024 ,
howpublished = { url{https://uvadlc-notebooks.readthedocs.io/en/latest/} }
}
