d2l pytorch

---

업데이트 : 완전한 Pytorch 포트의 Orignal Repo를 참조하십시오. 우리는 더 이상이 저장소를 유지하지 않습니다.

이 프로젝트는 Aston Zhang, Zachary C. Lipton, Mu Li, Alex J. Smola 및 모든 커뮤니티 기고자의 딥 러닝 북에 대한 오리지널 다이빙에서 수정되었습니다. 원래 책의 github : https://github.com/d2l-ai/d2l-en. 우리는 책을 수정하고 mxnet 코드 스 니펫을 Pytorch로 변환하기 위해 노력했습니다.

참고 : 일부 IPYNB 노트북은 GitHub에서 완벽하게 렌더링되지 않을 수 있습니다. 레포를 cloning 하거나 NBViewer를 사용하여 노트북을 보는 것이 좋습니다.

챕터

• CH02 설치

  • 설치

• CH03 소개

  • 소개

• CH04 예선 : 충돌 코스

  • 4.1 데이터 조작
  • 4.2 선형 대수
  • 4.3 자동 차별화
  • 4.4 확률 및 통계
  • 4.5 순진한 베이지어 분류
  • 4.6 문서

• CH05 선형 신경망

  • 5.1 선형 회귀
  • 5.2 선형 회귀 구현을 처음부터
  • 5.3 선형 회귀의 간결한 구현
  • 5.4 SoftMax 회귀
  • 5.5 이미지 분류 데이터 (Fashion-Mnist)
  • 5.6 처음부터 SoftMax 회귀 구현
  • 5.7 SoftMax 회귀의 간결한 구현

• CH06 다층 퍼셉트론

  • 6.1 다층 퍼셉트론
  • 6.2 다층 퍼셉트론 구현
  • 6.3 다층 퍼셉트론의 간결한 구현
  • 6.4 모델 선택 언더 피팅 및 오버 피팅
  • 6.5 무게 붕괴
  • 6.6 드롭 아웃
  • 6.7 전방 전파 후진 전파 및 계산 그래프
  • 6.8 수치 안정성 및 초기화
  • 6.9 환경 고려
  • 6.10 Kaggle의 주택 가격 예측

• CH07 딥 러닝 계산

  • 7.1 층 및 블록
  • 7.2 매개 변수 관리
  • 7.3 이연 초기화
  • 7.4 맞춤형 레이어
  • 7.5 파일 I/O
  • 7.6 GPU

• CH08 컨볼 루션 신경 네트워크

  • 조밀 한 층에서 컨볼 루션까지 8.1
  • 8.2 이미지를위한 컨볼 루션
  • 8.3 패딩과 보폭
  • 8.4 다중 입력 및 출력 채널
  • 8.5 풀링
  • 8.6 Convolutional Neural Networks (Lenet)

• CH09 현대 컨볼 루션 네트워크

  • 9.1 깊은 컨볼 루션 신경 네트워크 (Alexnet)
  • 9.2 블록을 사용하는 네트워크 (VGG)
  • 9.3 네트워크 네트워크 (NIN)
  • 9.4 병렬 연결이있는 네트워크 (Googlenet)
  • 9.5 배치 정규화
  • 9.6 잔차 네트워크 (RESNET)
  • 9.7 Densely Connected Networks (Densenet)

• CH10 재발 성 신경망

  • 10.1 시퀀스 모델
  • 10.2 언어 모델
  • 10.3 재발 성 신경망
  • 10.4 텍스트 전처리
  • 10.5 처음부터 재발 성 신경망 구현
  • 10.6 재발 성 신경망의 간결한 구현
  • 10.7 시간이 지남에 따라 역전
  • 10.8 게이트 재발 단위 (GRU)
  • 10.9 긴 단기 메모리 (LSTM)
  • 10.10 깊은 재발 성 신경망
  • 10.11 양방향 반복 신경 네트워크
  • 10.12 기계 번역 및 데이터 세트
  • 10.13 인코더 디코더 아키텍처
  • 10.14 시퀀스까지
  • 10.15 빔 검색

• CH11주의 메커니즘

  • 11.1주의 메커니즘
  • 11.2주의 메커니즘과 시퀀스에 대한 시퀀스
  • 11.3 변압기

• CH12 최적화 알고리즘

  • 12.1 최적화 및 딥 러닝
  • 12.2 볼록 성
  • 12.3 그라디언트 하강
  • 12.4 확률 론적 구배 출신
  • 12.5 미니 배치 확률 구배 출신
  • 12.6 운동량
  • 12.7 아다 그라드
  • 12.8 rmsprop
  • 12.9 Adadelta
  • 12.10 아담

• CH14 컴퓨터 비전

  • 14.1 이미지 확대
  • 14.2 미세 조정
  • 14.3 객체 감지 및 경계 상자
  • 14.4 앵커 박스
  • 14.5 멀티 스케일 객체 감지
  • 14.6 객체 감지 데이터 세트 (Pikachu)
  • 14.7 단일 샷 멀티 빅 감지 (SSD)
  • 14.8 지역 기반 CNN (R-CNNS)
  • 14.9 시맨틱 세분화 및 데이터 세트
  • 14.10 송환 된 컨볼 루션
  • 14.11 완전 컨볼 루션 네트워크 (FCN)
  • 14.12 신경 스타일 전송
  • 14.13 Kaggle의 이미지 분류 (CIFAR-10)
  • 14.14 Kaggle의 개 품종 식별 (Imageet Dogs)

기여

• Pytorch에서 나머지 장에 대한 노트북을 기부하기 위해 풀 요청을 열어주십시오. 노트북으로 시작하기 전에 동일하게 기여하기 위해 노트북 이름으로 문제를여십시오. 우리는 그 문제를 당신에게 할당 할 것입니다 (아무도 할당되지 않은 경우).

• Ipython 노트북 및 하위 섹션의 이름 지정 규칙을 엄격하게 따르십시오.

• 또한 더 많은/더 나은 설명이 필요한 섹션이 있다고 생각되면 문제 추적기를 사용하여 문제를 열고 그에 대해 알려주십시오. 우리는 가능한 빨리 돌아갈 것입니다.

• 개선이 필요한 일부 코드를 찾고 풀 요청을 제출하십시오.

• 우리가 놓친 참조를 찾고 풀 요청을 제출하십시오.

• 이로 인해 이해하기가 어렵 기 때문에 큰 풀 요청을 제출하지 마십시오. 몇 가지 작은 것을 더 잘 보내십시오.

지원하다

이 저장소가 마음에 들고 유용하다면 (★) 주연을 고려하여 더 넓은 청중에게 다가 갈 수 있도록 고려하십시오.

참조

[1] 오리지널 책 딥 러닝 -> Github Repo

[2] 딥 러닝 - 직선 마약

[3] Pytorch -MXnet 치트 시트

인용문

이 작업이나 연구에 코드를 사용하는 경우 다음 Bibtex 항목으로 원본 책을 인용하십시오.

 @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}
}