PyTorch Tutorial 2nd
v1.0.0-PD
Após 5 anos, 4 anos e 2 anos, o "tutorial prático de Pytorch" (segunda edição) foi concluído. Acima da essência da primeira edição, foram adicionados casos de aplicação de aprendizado profundo e detalhados e estruturas de implantação de raciocínio , tornando este livro mais sistematicamente o conhecimento envolvido por engenheiros de aprendizado profundo. Por exemplo, o desenvolvimento da tecnologia de inteligência artificial foi onda após onda, "Pytorch Practical Tutorial" (segunda edição) não acabou, mas veio novamente, abrindo novas tecnologias, novos campos e novos capítulos. Espero continuar aprendendo e progredindo com todos na tecnologia de inteligência artificial no futuro.
Leia on -line ( código aberto gratuitamente ): "Pytorch Practical Tutorial" (segunda edição)
Código de suporte ( Open Source Free ): "Pytorch Practical Tutorial" (segunda edição)
???: Clique em Star para encorajá -lo!
Este projeto foi incluído na comunidade HelloGithub e foi adicionado ao programa Hellogithub Badge
Este livro toma conceitos básicos como pedra angular, visão computacional, processamento de linguagem natural e modelos de idiomas grandes como o núcleo e a estrutura de implantação de inferência como a ponte, que fornecem aos leitores engenharia de código e explicações teóricas para a implementação do projeto. O livro é dividido em três partes, a primeira parte: Introdução, a segunda parte: Aplicação, a próxima parte: implementação.
Pytorch Basics. Para iniciantes, estudantes não profissionais e de graduação, fornecemos uma introdução a Pytorch, explicamos a construção do ambiente de desenvolvimento, introduzimos os módulos principais de pytorch, como dados, modelos, otimização e visualização. Finalmente, usamos os pontos de conhecimento de Pytorch explicados para criar um conjunto de uma estrutura de código própria para estabelecer as bases para aplicativos subsequentes.
Aplicação industrial. Após o artigo anterior, afiei uma boa faca e a usei para mostrar minhas habilidades em vários campos. Três tópicos serão explicados, a saber, visão computacional, processamento de linguagem natural e modelo de linguagem grande.
-
No capítulo do CV, inclui tarefas convencionais, incluindo oito tarefas principais: classificação de imagens, segmentação de imagens, detecção de objetos, rastreamento de objetos, geração GaN, geração de difusão, descrição da imagem e recuperação de imagem .
-
No capítulo da PNL, inclui explicações detalhadas e aplicação dos modelos RNN, LSTM, Transformer, Bert e GPT. As tarefas do aplicativo incluem cinco tarefas principais: classificação de texto, tradução para a máquina, nomeação de reconhecimento corporal, perguntas e respostas de controle de qualidade e geração de artigos .
-
No capítulo LLM, inclui 4 implantações LLM e análise de código e um aplicativo da indústria LLM - GPT Academic (GPT Academic Optimization) , LLM inclui quatro principais modelos principais de código aberto na China, Qwen, Chatglm, Baichuan e Yi .
A indústria é implementada. Com ferramentas e cenários, devemos torná -lo valioso e nos tornarmos serviços de algoritmo útil e útil. Portanto, é comum eliminar a estrutura de treinamento e a estrutura pesada como a Pytorch para implantação, aceleração e quantificação. Este capítulo introduzirá os princípios e o uso de ONNX e Tensorrt e, ao mesmo tempo, usará o Tensorrt para analisar o conceito de quantização, os práticos e os princípios da quantização de PTQ e QAT .
Acredito que, através do aprendizado dos primeiros, os próximos artigos, isso pode ajudar os estudantes introdutórios a evitar muitos desvios, dominar rapidamente o Pytorch, a ter a capacidade de ficar sozinho, pode selecionar modelos de algoritmos com base em cenários reais e pode implantar e aplicar os modelos para formar um loop fechado e abrir todo o processo.
Estrutura clara: o livro inteiro é dividido em três partes: a primeira parte (introdução), a segunda parte (aplicação) e a próxima parte (implementação), orientando gradualmente os leitores a aprender em profundidade.
Combinação de teoria e prática: não apenas fornece explicações teóricas, mas também permite que os leitores apliquem a teoria da prática por meio de casos ricos em projetos.
Casos práticos ricos: Forneça casos práticos em vários campos, como visão computacional, processamento de linguagem natural e modelos de linguagem grande.
Cobertura sistemática: abrange o básico do Pytorch, tarefas básicas de visão computacional, tarefas básicas de processamento de linguagem natural, grandes modelos de linguagem básicos e estrutura de implantação de inferência.
Ampla aplicabilidade: Adequado para estudantes de auto-estudo da IA, gerentes de produto da IA, alunos atuais e pessoas de campo para ler, conhecer leitores com diferentes origens e necessidades.
Para aprimorar a atmosfera de leitura dos leitores e fornecer canais de comunicação, um grupo de comunicação QQ foi especialmente estabelecido.
Para garantir a qualidade da comunicação dentro do grupo, você precisa de uma senha para ingressar no grupo. Por favor, verifique o código
Em um futuro próximo, compartilharemos os mais recentes artigos técnicos do grupo, incluindo o CV Project Practical Combat, LLM raciocínio e implantação, sistemas de trapos e outras tecnologias de ponta. Bem -vindo para ingressar na troca técnica.
Um grupo: 671103375 (completo)
Grupo 2: 773031536 (completo)
Três grupos: 514974779 (completo)
Quatro grupos: 854620826
Este trabalho é licenciado sob a Licença Internacional Creative Commons Attribution-NonCommercial Use 4.0 International.
Pare o registro de atualização:
| data | agendar | Razão para parar a atualização | Tempo de parada |
|---|---|---|---|
Espera -se continuar até novembro | |||
