code of learn deep learning with pytorch

Pytorch

Aprenda a aprendizagem profunda com Pytorch

Muito obrigado por comprar este livro. Este repositório do GitHub contém o código de exemplo para Pytorch, que é uma introdução ao aprendizado profundo. Devido ao meu nível limitado, me referi a algumas informações on -line ao escrever este livro e gostaria de expressar meu respeito a eles aqui. À medida que a tecnologia de aprendizagem profunda está se desenvolvendo rapidamente, o Pytorch também é constantemente atualizado, e tenho muitos campos que não cobri quando concluí este livro; portanto, esse repositório será atualizado como um serviço de acompanhamento para a compra do segundo livro. Espero poder fornecer a você uma energia fina no caminho para começar com o aprendizado profundo.

Nota: Devido à mudança da versão Pytorch, o código no livro pode ter bugs, para que todos os códigos sejam baseados principalmente nos que neste github.

Configure o ambiente

O livro já forneceu em detalhes como configurar o ambiente Python baseado na Anaconda e instalar Pytorch. Se você usa seu próprio computador e tiver uma placa gráfica da NVIDIA, poderá entrar felizmente no mundo do aprendizado profundo. Se você não possui uma placa gráfica da NVIDIA, precisamos de uma plataforma de computação em nuvem para nos ajudar a aprender a jornada de aprendizado profundo. Como configurar a plataforma de computação da AWS

Os catálogos do curso a seguir são diferentes dos do livro, porque o conteúdo está sendo atualizado para a segunda edição, e a segunda edição será lançada em breve! !

Catálogo do curso

Parte1: básico de aprendizado profundo

• Capítulo 2: Pytorch Basics

  • Tensor e variável
  • Mecanismo de orientação automática
  • Imagens dinâmicas e estáticas

• Capítulo 3: Redes Neurais

  • Modelo linear e descida de gradiente
  • Regressão logística e otimizador
  • Rede neural de várias camadas, seqüencial e módulo
  • Rede neural profunda
  • Método de inicialização do parâmetro
  • Algoritmo de otimização
    • Sgd
    • Método de momento
    • Adagrad
    • RmsProp
    • Adadelta
    • Adão

• Capítulo 4: Redes Neurais Convolucionais

  • Módulos convolucionais em pytorch
  • Normalização em lote
  • Rede profunda usando elementos repetidos, VGG
  • Estrutura de rede mais rica, googlelenet
  • Rede residual profunda, resnet
  • Densenet
  • Melhores redes convolucionais de treinamento
    • Aprimoramento de dados
    • Regularização
    • Taxa de aprendizado Decaimento

• Capítulo 5: Rede Neural Recorrente

  • Módulos de rede neural recorrentes: LSTM e GRU
  • Usando RNN para classificação de imagem
  • Análise de séries temporais usando RNN
  • Aplicações do processamento de linguagem natural:
    • Incorporação de palavras
    • Modelo N-Gram
    • SEQ-LSTM para fazer previsão de parte da palavra

• Capítulo 6: Gere redes adversárias

  • Codificador automático
  • Codificador automático variacional
  • Gerar redes adversárias
  • Redes adversárias convolucionais profundas (DCGANs) geram rostos humanos

• Capítulo 7: Aprendizagem de reforço profundo

  • Q Aprendizagem
  • Abra a academia da IA
  • Deep Q-Networks

• Capítulo 8: Pytorch avançado

  • Visualização do Tensorboard
  • Introdução de leitura de dados flexíveis
  • Introdução ao AutoGRAD.Function
  • Paralelismo de dados e multi-gpu
  • Converter para o modelo Caffe2 usando ONNX
  • Como implantar uma rede neural treinada
  • Crie seus próprios hábitos de uso do Pytorch

Parte2: Aplicação de aprendizado profundo

• Capítulo 9: Visão computacional

  • Ajuste fino: Transfira o aprendizado por meio de ajuste fino
  • Primeira experiência de Kaggle: Batalha de gatos e cães
  • Segmentação semântica: implemente a classificação no nível de pixels através da FCN
  • Pixel para pixels generativas de redes adversárias
  • Transferência neural: implementação de transferência de estilo através de redes convolucionais
  • Deep Dream: Explorando o mundo aos olhos das redes convolucionais

• Capítulo 10: Processamento de linguagem natural

  • Char RNN implementa a geração de texto
  • Legenda da imagem: Implementar a geração de legenda da imagem
  • Seq2seq implementa a tradução da máquina
  • CNN + RNN + Atenção para realizar o reconhecimento de texto

Alguns outros recursos

Para alguns cursos públicos e recursos de aprendizado para aprendizado profundo, consulte meu repositório

Você pode seguir minha coluna e blog Zhihu, e geralmente compartilhará alguns artigos de aprendizado profundo

Recursos sobre Pytorch

Meu github repo pytorch-beginner

pytorch-tutorial

o pytorch incrédulo

Practical-Pytorch

PytorchZerotoall

Awesome-Pytorch-List

Reconhecimento

Algumas partes da segunda edição deste livro se referem ao tutorial chinês do MXNET Gluon e usam o MXNET/GLUON para aprender o aprendizado profundo.

Gluon é uma estrutura muito semelhante à pytorch. É muito simples e fácil de usar. Eu recomendo que você aprenda e também também recomendo os cursos chineses da Gluon, ensinados em todos os chineses, tenham vídeos e práticas de código. Pode -se dizer que é o tutorial de aprendizado profundo mais abrangente chinês.