Pytorch Knowledge

Manual de aprendizagem Pytorch

A maioria dos fluxos de trabalho de aprendizado de máquina envolve o processamento de dados, a criação de modelos, a otimização de parâmetros do modelo e o salvamento do modelo treinado. Este tutorial apresenta um fluxo de trabalho de ML completo implementado em PyTorch e fornece links para aprender mais sobre cada conceito.

Este tutorial cobrirá o conhecimento básico de aprendizado de máquina e aprendizado profundo, cobrindo回归分类问题e muitas estruturas básicas conhecidas de aprendizado profundo, como CNN , RNN , fastai , etc.

O catálogo oficial de tutoriais do Facebook usará o conjunto de dados FashionMNIST para treinar uma rede neural que prevê se uma imagem de entrada pertence a uma das seguintes categorias: T 恤/上衣,裤子,套头衫,连衣裙,外套,凉鞋,衬衫,运动鞋,包ou脚踝.

O catálogo prático de aprendizagem profunda Pytorch começará com os problemas de regressão linear mais simples e fará a transição gradual para modelos complexos de aprendizagem profunda.

Este tutorial pressupõe que você tenha familiaridade básica com Python e conceitos de aprendizado profundo. O documento (tutorial oficial do Facebook) foi traduzido do site oficial do Pytorch

Execute o código do tutorial

Você pode executar este tutorial de diversas maneiras:

• na nuvem
• Local: Esta opção requer que você primeiro configure o PyTorch e o TorchVision em sua máquina local (instruções de instalação). Copie o código em seu IDE favorito.

Diretório de tutoriais oficiais do Facebook

1. Tensores
2. Conjuntos de dados e DataLoaders
3. Transformações

Diretório prático de aprendizado profundo Pytorch

1. Problemas de regressão linear e não linear
2. problema de regressão logística
3. CNN em ação: reconhecimento de fonte manuscrita
4. Aprendizagem por transferência: usando AlexNet para implementar classificação de cães e gatos
5. Prática RNN: usando LSTM para obter previsão de função
6. Prática GAN: Use GAN para gerar avatares Shiba Inu