eat_pytorch_in_20_days
1.0.0
Este livro pressupõe que os leitores tenham uma certa base no aprendizado de máquina e no aprendizado profundo e usaram Keras ou Tensorflow ou Pytorch para criar modelos simples treinados.
O apelido é uma versão em vídeo de "Eat That Pytorch em 20 dias" está conectada ao Bilibili. Os foodies estão cheios de seus corações, apenas para o sabor local mais puro. Novos e velhos amigos são bem -vindos para vir e provar ?!
https://www.bilibili.com/video/bv1ua411p7oe
Este livro é um livro de referência introdutório de Pytorch que é extremamente amigável para usuários humanos. Não me deixe pensar que é a maior busca deste livro.
Este livro é compilado e escrito principalmente com base na referência à documentação oficial do Pytorch e à documentação do DOC FUNCTION.
Embora a documentação oficial do Pytorch seja bastante concisa e clara, este livro fez muitas otimizações na seleção da estrutura e exemplos dos capítulos, o que é melhor em termos de simpatia do usuário.
Este livro projeta o conteúdo de acordo com a dificuldade do conteúdo, os hábitos de pesquisa do leitor e a própria estrutura hierárquica de Pytorch, passo a passo e níveis claros, tornando conveniente encontrar exemplos correspondentes de acordo com as funções.
Este livro é o mais simples e estruturado possível no design de exemplo, aprimorando a legibilidade e a versatilidade dos exemplos. A maioria dos trechos de código pode ser usada fora da caixa na prática.
Se tiver cerca de 5 anos para dominar o Pytorch através do aprendizado de documentos oficiais de Pytorch, a dificuldade de dominar Pytorch através deste livro deve ser de cerca de 2.
Somente a figura a seguir compara as diferenças entre o documento oficial do Pytorch e o livro "Eat That Pytorch em 20 dias".
1. Plano de estudo
Este livro foi escrito pelo autor usando cerca de 3 meses de seu tempo livre, e a maioria dos leitores deve ser capaz de aprendê -lo completamente dentro de 20 dias.
O tempo de estudo que você passa todos os dias é entre 30 minutos e 2 horas.
Obviamente, este livro também é muito adequado como uma referência para o manual da ferramenta Pytorch quando é implementado como uma biblioteca de exemplos.
Clique no título azul do conteúdo de aprendizado para entrar neste capítulo.
| data | Aprendendo conteúdo | Dificuldade de conteúdo | Tempo de estudo estimado | Status de atualização |
|---|---|---|---|---|
| 1. Processo de modelagem de Pytorch | ️ | 0hour | ✅ | |
| DIA1 | 1-1, Exemplo de Modelagem de Dados Estruturados | ️Iosa | 1 horas | ✅ |
| DIA2 | 1-2, exemplo do processo de modelagem de dados de imagem | ️Iosa | 2 horas | ✅ |
| DIA3 | 1-3, exemplo de processo de modelagem de dados de texto | ️️️ | 2 horas | ✅ |
| Dia4 | 1-4, Exemplo de processo de modelagem de dados de séries temporais | ️️️ | 2 horas | ✅ |
| 2. O conceito central de pytorch | ️ | 0hour | ✅ | |
| DIA5 | 2-1, estrutura de dados do tensor | ️Iosa | 1 horas | ✅ |
| DIA6 | 2-2, mecanismo diferencial automático | ️Iosa | 1 horas | ✅ |
| Dia7 | 2-3, diagrama de cálculo dinâmico | ️️️ | 2 horas | ✅ |
| 3. Hierarquia de Pytorch | ️ | 0hour | ✅ | |
| DIA8 | 3-1, demonstração de API de ordem baixa | ️Iosa | 1 horas | ✅ |
| DIA9 | 3-2, demonstração intermediária da API | ️Iosa | 1 horas | ✅ |
| DIA10 | 3-3, demonstração avançada da API | ️Iosa | 1 horas | ✅ |
| 4. API de ordem baixa de Pytorch | ️ | 0hour | ✅ | |
| DIA11 | 4-1, operação estrutural de tensores | ️️️ | 2 horas | ✅ |
| DIA12 | 4-2, operação matemática de tensores | ️Iosa | 1 horas | ✅ |
| DIA13 | 4-3, nn.funcional e nn.Module | ️Iosa | 1 horas | ✅ |
| 5. API intermediária de Pytorch | ️ | 0hour | ✅ | |
| DIA14 | 5-1, conjunto de dados e Dataloader | ️Iosa | 1 horas | ✅ |
| DIA15 | 5-2, camada de modelo | ️️️ | 2 horas | ✅ |
| DIA16 | 5-3, função de perda | ️Iosa | 1 horas | ✅ |
| Day17 | 5-4, visualização de tensorboard | ️Iosa | 1 horas | ✅ |
| 6. API avançada de Pytorch | ️ | 0hour | ✅ | |
| Day18 | 6-1, 3 maneiras de construir um modelo | ️️ | 0,5 horas | ✅ |
| DIA19 | 6-2, 3 maneiras de treinar o modelo | ️Iosa | 1 horas | ✅ |
| DIA20 | 6-3, use a GPU para treinar o modelo | ️Iosa | 1 horas | ✅ |
| * | PostScript: minha visão do meu produto | ️ | 0hour | ✅ |
2. Ambiente de aprendizagem
Todos os códigos de origem deste livro são escritos em Jupyter e passaram no teste. Recomenda -se cloná -lo localmente através do Git e executar o aprendizado interativamente em Jupyter.
Etapa 1: Clone o código -fonte deste livro para a área local, use o armazém Code Cloud Mirror para baixar mais rápido na China
git clone https://gitee.com/Python_Ai_Road/eat_pytorch_in_20_days
Etapa2: Algoritmo de conta oficial Casa de alimentos Responder Palavras -chave: Pytorch , obtenha o pacote de compactação de resumo do conjunto de dados usado neste projeto eat_pytorch_datasets.zip Baidu Cloud Disk Download Link, Download e descompacte e vá para o caminho Eat_Pytorch_in_20_20_DAYS, 160m.
import torch
from torch import nn
print ( "torch version:" , torch . __version__ )
a = torch . tensor ([[ 2 , 1 ]])
b = torch . tensor ([[ - 1 , 2 ]])
c = a @ b . t ()
print ( "[[2,1]]@[[-1],[2]] =" , c . item ()) torch version: 2.0.1
[[2,1]]@[[-1],[2]] = 0
Adequado para estudantes interessados em campos de recomendação de publicidade e precisam avançar?
| data | Aprendendo conteúdo | Dificuldade de conteúdo | Tempo de estudo estimado | Status de atualização |
|---|---|---|---|---|
| 7. Pytorch e recomendações de publicidade | ️ | 0hour | ✅ | |
| DIA1 | 7-1, negócio de algoritmo recomendado | ️Iosa | 0,5 horas | ✅ |
| DIA2 | 7-2, negócio de algoritmo de publicidade | ️Iosa | 0,5 horas | ✅ |
| DIA3 | 7-3, modelo FM | ️Iosa | 1 horas | ✅ |
| Dia4 | 7-4, modelo Deepfm | ️Iosa | 1 horas | ✅ |
| DIA5 | 7-5, modelo de fibinete | ️Iosa | 2 horas | ✅ |
| DIA6 | 7-6, modelo DeepCross | ️️️ | 2 horas | ✅ |
| Dia7 | 7-7, rede DIN | ️️️ | 2 horas | ✅ |
| DIA8 | 7-8, Dien Network | ️️️ | 2 horas | ✅ |
Introdução a algumas ferramentas periféricas relacionadas a Pytorch
| data | Aprendendo conteúdo | Dificuldade de conteúdo | Tempo de estudo estimado | Status de atualização |
|---|---|---|---|---|
| Ovo de Páscoa: Ferramentas Periféricas de Pytorch | ️ | 0hour | ✅ | |
| DIA1 | A-1, guia de uso da GPU livre Kaggle | ️Iosa | 1 horas | ✅ |
| DIA2 | A-2, o StreamLit constrói aplicativos de aprendizado de máquina | ️Iosa | 1 horas | ✅ |
| DIA3 | A-3, use o chip Mac M1 para acelerar Pytorch | ️Iosa | 1 horas | ✅ |
| Dia4 | A-4, Optuna Visual Parâmetro Ajuste Guia de Magic | ️Iosa | 1 horas | ✅ |
| DIA5 | A-5, Gradio torna seu modelo de aprendizado de máquina sexy | ️Iosa | 1 horas | ✅ |
| DIA6 | A-6, Análise Visual do Modelo Wandb | ️Iosa | 0,5 horas | ✅ |
| Dia7 | A-7, visualização do modelo Wandb e ajuste automático de parâmetros | ️Iosa | 1 horas | ✅ |
O código do capítulo relevante foi otimizado e ajustado de acordo.
| Função | Suporte estável para a versão inicial | Depender ou emprestar a biblioteca |
|---|---|---|
| ✅ Barra de progresso de treinamento | 3.0.0 | Confie no TQDM, aprenda com as Keras |
| ✅ Indicadores de avaliação de treinamento | 3.0.0 | Com base no pytorch_lightning |
| ✅ O treinamento no caderno vem com a visualização | 3.8.0 | Desenhe de fastai |
| ✅ Parada cedo | 3.0.0 | Com base em Keras |
| ✅ Treinamento da GPU | 3.0.0 | Dependem do acelerateiro |
| ✅ Treinamento multi-GPUs (DDP) | 3.6.0 | Dependem do acelerateiro |
| Treinamento ✅ FP16/BF16 | 3.6.0 | Dependem do acelerateiro |
| ✅ Retorno de chamada de tensorboard | 3.7.0 | Dependem do Tensorboard |
| ✅ Wandb Retorno de chamada | 3.7.0 | Dependem do wandb |
Para detalhes, consulte o link do projeto :: https://github.com/lyhue1991/torchkeras
Se este livro for útil para você, gostaria de incentivar o autor, lembre -se de adicionar uma estrela a este projeto e compartilhá -lo com seus amigos?!
Se você tiver algumas perguntas ou sugestões sobre o conteúdo deste livro, poderá responder às palavras -chave no back -end da conta oficial "Algorithm Food House": junte -se ao grupo e junte -se ao grupo de intercâmbio do Reader para discutir com todos.
