deep learning v2 pytorch

ディープラーニング（Pytorch）-ND101 V7

このリポジトリには、UdacityのDeep Learning V7 Nanodegreeプログラムに関連する資料が含まれています。さまざまな深い学習トピックのためのチュートリアルノートブックの束で構成されています。ほとんどの場合、ノートブックは、畳み込みネットワーク、リカレントネットワーク、GANなどのモデルを実装することであなたを導きます。重量の初期化やバッチ正規化など、他のトピックがカバーされています。

Nanodegreeプログラムのプロジェクトとして使用されるノートブックもあります。プログラム自体では、プロジェクトはReal People（Udacity Recoverers）によってレビューされていますが、開始コードもここで入手できます。

目次

チュートリアル

ニューラルネットワークの紹介

• ニューラルネットワークの紹介：グラデーション降下を実装する方法を学び、学生入学データの予測パターンに適用します。
• Numpyを使用したセンチメント分析：Andrew Traskは、センチメント分析モデルを構築し、テキストが肯定的か否定的かを予測することであなたを導きます。
• Pytorchの紹介：Pytorchでニューラルネットワークを構築する方法を学び、最先端の画像分類子に事前に訓練されたネットワークを使用します。

畳み込みニューラルネットワーク

• 畳み込みニューラルネットワーク：CNNを構成するレイヤーの出力を視覚化します。 MNISTデータを分類するためにCNNを定義およびトレーニングする方法を学び、マシンとディープラーニングの分野で有名な手書きの数字データベースです。また、CIFAR10データセットで画像を分類するためにCNNを定義およびトレーニングします。
• 転送学習。実際には、ほとんどの人は巨大なデータセットで自分のネットワークを訓練していません。 VGGNETなどの事前に訓練されたネットワークを使用しています。ここでは、vggnetを使用して、エンドツーエンドネットワークをゼロからトレーニングせずに花の画像を分類するのに役立ちます。
• 重量初期化：ネットワークの初期化がパフォーマンスにどのように影響するかを調べます。
• 自動エンコーダー：PytorchのFeedForwardおよび畳み込みネットワークを使用して、画像圧縮とデオノイズのモデルを構築します。
• スタイル転送：事前に訓練されたネットワークを使用して、画像からスタイルとコンテンツ機能を抽出します。スタイル転送を実装して、紙に従って、Gatys et。アル。独自のデザインのターゲットでスタイル移動した画像を繰り返し作成するための適切な損失を定義します！

再発性ニューラルネットワーク

• リカレントネットワークのイントロ（時系列と文字レベルのRNN）：再発性ニューラルネットワークは、テキストの文字のシーケンスなど、データのシーケンスに関する情報を使用できます。さまざまなタスクのためにこれらをPytorchに実装する方法を学びます。
• Embeddings（word2vec）：Word2vecモデルを実装して、自然言語処理で使用する単語の意味表現を見つけます。
• Sentiment Analysis RNN：Moviewレビューのテキストが肯定的または否定的かどうかを予測できる再発性ニューラルネットワークを実装します。
• 注意：注意を実装し、注釈ベクトルに適用します。

生成的敵対ネットワーク

• MNISTの生成官能ネットワーク：MNISTデータセットで単純な生成敵対的なネットワークを訓練します。
• バッチ正規化：バッチ正規化によりトレーニングレートとネットワークの安定性を改善する方法を学びます。
• ディープ畳み込みガン（DCGAN）：DCGANを実装して、Street View House Numbers（SVHN）データセットに基づいて新しい画像を生成します。
• Cyclegan：対応していない非標識データから学習するように設計されたCycleganを実装します。訓練されたジェネレーターを使用して、夏から冬に画像を変換し、その逆も同様です。

モデルの展開（AWSセージメーカーを使用）

• モデルの展開に関するレッスンのためのすべてのエクササイズおよびプロジェクトノートブックは、リンクされたGitHubレポで見つけることができます。 AWS Sagemakerを使用して、事前に訓練されたモデルを展開することを学びます。

プロジェクト

• 自転車共有パターンの予測：自転車レンタルを予測するためにNumpyにニューラルネットワークを実装します。
• 犬の品種分類器：Pytorchを使用して畳み込みニューラルネットワークを構築して、特定の犬種として画像（顔の画像でさえ）を分類します。
• テレビスクリプトの生成：再発性ニューラルネットワークをトレーニングして、Seinfeldからの対話スタイルのスクリプトを生成します。
• 顔の生成：CelebaデータセットでDCGANを使用して、新しく現実的な人間の顔の画像を生成します。

選択材料

• Tensorflowのイントロ：Tensorflowを使用したニューラルネットワークの構築の開始。
• KERAS：Kerasでニューラルネットワークと畳み込みニューラルネットワークを構築することを学びます。

---

依存関係

Anacondaで環境を構成して管理します

アナコンダドキュメントごと：

Condaは、ソフトウェアパッケージの複数のバージョンをインストールし、その依存関係を簡単に切り替えるためのオープンソースパッケージ管理システムおよび環境管理システムです。 Linux、OS X、およびWindowsで動作し、Pythonプログラム用に作成されましたが、ソフトウェアをパッケージ化および配布できます。

概要

アナコンダの使用は、次のことで構成されています。

1. オペレーティングシステム用の最新のPythonバージョンを選択して、コンピューターにminicondaをインストールします。既にcondaまたはminicondaをインストールしている場合は、このステップをスキップしてステップ2に進むことができるはずです。
2. 新しいconda環境を作成してアクティブにします。

*エクササイズに取り組みたいたびに、 conda環境をアクティブにします！

---

1。インストール

システムに一致するminicondaの最新バージョンをダウンロードしてください。

	Linux	マック	Windows
64ビット	64ビット（バッシュインストーラー）	64ビット（バッシュインストーラー）	64ビット（exeインストーラー）
32ビット	32ビット（バッシュインストーラー）		32ビット（exeインストーラー）

マシンにミニコンダをインストールします。詳細な指示：

• Linux： https：//conda.io/projects/conda/en/latest/user-guide/install/linux.html
• Mac： https：//conda.io/projects/conda/en/latest/user-guide/install/macos.html
• Windows： https：//conda.io/projects/conda/en/latest/user-guide/install/windows.html

2。環境を作成してアクティブ化します

Windowsユーザーの場合、これらの次のコマンドは、Windowsターミナルウィンドウではなく、 Anacondaプロンプトから実行する必要があります。 Macの場合、通常の端子ウィンドウが機能します。

gitおよびバージョン制御

また、これらの指示は、端末ウィンドウからgithubを使用するためにgitがインストールされていることも想定していますが、そうでない場合は、最初にコマンドでダウンロードできます。

 conda install git

コマンドラインからバージョン制御とgitの使用について詳しく知りたい場合は、Gitを使用した無料コース：バージョンコントロールをご覧ください。

今、私たちは地元の環境を作成する準備ができています！

1. リポジトリをクローンし、ダウンロードしたフォルダーに移動します。これには、含まれている画像データが含まれているため、1分か2分かかる場合があります。

 git clone https://github.com/udacity/deep-learning-v2-pytorch.git
cd deep-learning-v2-pytorch

2. Python 3.6を使用したdeep-learningという名前の新しい環境を作成（およびアクティブ化）。インストール(Proceed [y]/n)タイプyを続行するように求められている場合。

   • LinuxまたはMac ：

    conda create -n deep-learning python=3.6
   source activate deep-learning
   

   • Windows ：

    conda create --name deep-learning python=3.6
   activate deep-learning
   

   この時点で、コマンドラインは(deep-learning) <User>:deep-learning-v2-pytorch <user>$のように見えるはずです。 (deep-learning)は、環境がアクティブになっていることを示しており、パッケージのインストールをさらに進めることができます。

3. PytorchとTorchvisionをインストールします。これにより、Pytorchの最新バージョンがインストールされます。

   • LinuxまたはMac ：

    conda install pytorch torchvision -c pytorch 
   

   • Windows ：

    conda install pytorch -c pytorch
   pip install torchvision
   

4. 要件テキストファイル（OPENCVを含む）で指定されたいくつかの必要なPIPパッケージをインストールします。

 pip install -r requirements.txt

7. それでおしまい！

現在、ほとんどのdeep-learningライブラリが利用可能です。非常に時々、たとえばTensorflowやKerasを使用する場合に存在する追加要件ファイルを含むリポジトリが表示されます。この場合、既存の環境に別のライブラリをインストールするか、特定のプロジェクトの新しい環境を作成することをお勧めします。

ここで、あなたのdeep-learning環境がまだアクティブになっていると仮定すると、あなたはメインリポジトリに移動してノートブックを見始めることができます：

 cd
cd deep-learning-v2-pytorch
jupyter notebook

作業セッションを完了したら環境を終了するには、端末ウィンドウを閉じるだけです。