d2l pytorch

---

更新：完全なPytorchポートについては、Orignal Repoをご覧ください。このレポはもはや維持していません。

このプロジェクトは、アストン・チャン、ザカリー・C・リプトン、ム・リー、アレックス・J・スモラ、そしてすべてのコミュニティ貢献者による、オリジナルのダイビングにディープラーニングブックに採用されています。元の本のgithub：https：//github.com/d2l-ai/d2l-en。本を変更し、MXNETコードスニペットをPytorchに変換する努力をしました。

注：一部のiPynbノートブックは、GitHubで完全にレンダリングされない場合があります。リポジトリcloningまたはNBViewerを使用してノートブックを表示することをお勧めします。

章

• CH02インストール

  • インストール

• CH03はじめに

  • 導入

• CH04予選：クラッシュコース

  • 4.1データ操作
  • 4.2線形代数
  • 4.3自動分化
  • 4.4確率と統計
  • 4.5ナイーブベイズ分類
  • 4.6ドキュメント

• CH05線形ニューラルネットワーク

  • 5.1線形回帰
  • 5.2ゼロからの線形回帰実装
  • 5.3線形回帰の簡潔な実装
  • 5.4ソフトマックス回帰
  • 5.5画像分類データ（ファッションミスト）
  • 5.6ゼロからのソフトマックス回帰の実装
  • 5.7ソフトマックス回帰の簡潔な実装

• CH06多層パーセプロン

  • 6.1多層パーセプトロン
  • 6.2ゼロからの多層パーセプトロンの実装
  • 6.3多層パーセプトロンの簡潔な実装
  • 6.4モデルの選択は、装着不足と過剰適合
  • 6.5重量減衰
  • 6.6ドロップアウト
  • 6.7前方伝播後方の伝播と計算グラフ
  • 6.8数値の安定性と初期化
  • 6.9環境を考慮する
  • 6.10 Kaggleの住宅価格の予測

• CH07ディープラーニング計算

  • 7.1レイヤーとブロック
  • 7.2パラメーター管理
  • 7.3延期された初期化
  • 7.4カスタムレイヤー
  • 7.5ファイルI/O
  • 7.6 GPU

• CH08畳み込みニューラルネットワーク

  • 8.1密な層から畳み込みまで
  • 8.2画像の畳み込み
  • 8.3パディングとストライド
  • 8.4複数の入力および出力チャネル
  • 8.5プーリング
  • 8.6畳み込みニューラルネットワーク（LENET）

• CH09モダンな畳み込みネットワーク

  • 9.1ディープ畳み込みニューラルネットワーク（AlexNet）
  • 9.2ブロックを使用したネットワーク（VGG）
  • 9.3ネットワークのネットワーク（NIN）
  • 9.4並列連結を伴うネットワーク（googleNet）
  • 9.5バッチ正規化
  • 9.6残差ネットワーク（ResNet）
  • 9.7密に接続されたネットワーク（デンセン）

• CH10再発ニューラルネットワーク

  • 10.1シーケンスモデル
  • 10.2言語モデル
  • 10.3再発ニューラルネットワーク
  • 10.4テキスト前処理
  • 10.5再発性ニューラルネットワークのゼロの実装
  • 10.6再発性ニューラルネットワークの簡潔な実装
  • 10.7時間の経過とともにバックプロパゲーション
  • 10.8ゲート再発ユニット（GRU）
  • 10.9長期記憶（LSTM）
  • 10.10深い再発性ニューラルネットワーク
  • 10.11双方向の再発性ニューラルネットワーク
  • 10.12機械翻訳とデータセット
  • 10.13エンコーダデコーダーアーキテクチャ
  • 10.14シーケンスへのシーケンス
  • 10.15ビーム検索

• CH11注意メカニズム

  • 11.1注意メカニズム
  • 11.2注意メカニズムを使用したシーケンスへのシーケンス
  • 11.3トランス

• CH12最適化アルゴリズム

  • 12.1最適化と深い学習
  • 12.2凸性
  • 12.3勾配降下
  • 12.4確率勾配降下
  • 12.5ミニバッチ確率勾配降下
  • 12.6勢い
  • 12.7 Adagrad
  • 12.8 rmsprop
  • 12.9アダデルタ
  • 12.10アダム

• CH14コンピュータービジョン

  • 14.1画像増強
  • 14.2微調整
  • 14.3オブジェクトの検出と境界ボックス
  • 14.4アンカーボックス
  • 14.5マルチスケールオブジェクトの検出
  • 14.6オブジェクト検出データセット（Pikachu）
  • 14.7シングルショットマルチボックス検出（SSD）
  • 14.8地域ベースのCNN（R-CNNS）
  • 14.9セマンティックセグメンテーションとデータセット
  • 14.10転置畳み込み
  • 14.11完全畳み込みネットワーク（FCN）
  • 14.12ニューラルスタイルの転送
  • 14.13 Kaggleの画像分類（CIFAR-10）
  • 14.14 Kaggleの犬種の識別（Imagenet Dogs）

貢献

• 他の章のために、Pytorchのノートブックを提供するために、Pullリクエストを自由に開いてください。ノートブックから始める前に、同じものに貢献するために、ノートブックの名前で問題を開きます。私たちはあなたにその問題を割り当てます（誰も以前に割り当てられていない場合）。

• IPythonノートブックとサブセクションの命名規則に厳密に従ってください。

• また、より多くの説明が必要なセクションがあると思われる場合は、問題トラッカーを使用して問題を開き、同じことをお知らせください。できるだけ早く戻ります。

• 改善が必要ないくつかのコードを見つけて、プルリクエストを送信します。

• 見逃したリファレンスを見つけて、プルリクエストを送信します。

• これにより、彼らが理解し、組み込むのが難しくなるため、巨大なプルリクエストを提出しないようにしてください。いくつかの小さなものを送る方が良いです。

サポート

このリポジトリが気に入って有用な場合は、（★）主演することを検討してください。

参照

[1]オリジナルの本は深い学習に飛び込みます - > githubリポジトリ

[2]深い学習 - まっすぐなドープ

[3] Pytorch -Mxnetチートシート

引用

この作業またはコードを調査に使用する場合は、次のBibtexエントリを使用して元の本を引用してください。

 @book{zhang2020dive,
    title={Dive into Deep Learning},
    author={Aston Zhang and Zachary C. Lipton and Mu Li and Alexander J. Smola},
    note={url{https://d2l.ai}},
    year={2020}
}