uvadlc_notebooks
1.0.0
Nota: Para olhar para os notebooks em um formato mais agradável, visite nosso site da RTD: https://uvadlc-notebooks.readthedocs.io/en/latest/
Site do curso : https://uvadlc.github.io/
Edição do curso : outono 2024 (28 de outubro - 20 de dezembro) - sendo mantido atualizado
Gravações : Lista de reprodução do YouTube
Autor : Phillip Lippe
Para a edição do curso deste ano, criamos uma série de notebooks Jupyter, projetados para ajudá -lo a entender a "teoria" das palestras ao ver implementações correspondentes. Visitaremos vários tópicos, como técnicas de otimização, transformadores, redes neurais gráficas e muito mais (para uma lista completa, veja abaixo). Os notebooks estão lá para ajudá -lo a entender o material e ensinar detalhes da estrutura de Pytorch , incluindo Pytorch Lightning . Além disso, fornecemos traduções individuais dos notebooks para o Jax+linho como estrutura alternativa.
Os notebooks são apresentados na primeira hora de cada sessão de tutorial em grupo. Durante as sessões do tutorial, apresentaremos o conteúdo e explicaremos a implementação dos notebooks. Você pode decidir se deseja apenas olhar para o caderno preenchido, deseja experimentá -lo ou codificar durante a sessão prática. Os notebooks não fazem parte diretamente de nenhuma tarefa obrigatória nas quais você seria classificado ou da mesma forma. No entanto, incentivamos você a se familiarizar com os cadernos e experimentar ou estendê -los você mesmo. Além disso, o conteúdo apresentado será relevante para a tarefa e exame graduados.
Os tutoriais foram integrados como tutoriais oficiais do Pytorch Lightning. Assim, você também pode vê -los em sua documentação.
Neste site, você encontrará os notebooks exportados para um formato HTML para que você possa lê -los a partir de qualquer dispositivo que preferir. No entanto, sugerimos que você também os experimente e os execute. Existem três maneiras principais de executar os notebooks que recomendamos:
Localmente na CPU : Todos os notebooks são armazenados no repositório do GitHub que também constrói este site. Você pode encontrá -los aqui: https://github.com/phlippe/uvadlc_notebooks/tree/master/docs/tutorial_notebooks. Os notebooks são projetados para que você possa executá -los em laptops comuns sem a necessidade de uma GPU. Fornecemos modelos pré -ridicularizados que são baixados automaticamente ao executar os notebooks ou podem ser baixados manualmente a partir deste Google Drive. O espaço de disco necessário para os modelos e conjuntos de dados pré -treinado é menor que 1 GB. Para garantir que você tenha todos os pacotes Python corretos instalados, fornecemos um ambiente CONDA no mesmo repositório (escolha a versão CPU ou GPU, dependendo do seu sistema).
Google Colab : se você preferir executar os notebooks em uma plataforma diferente do seu próprio computador ou deseja experimentar o suporte à GPU, recomendamos o uso do Google Colab. Cada caderno neste site de documentação tem um crachá com um link para abri -lo no Google Colab. Lembre -se de ativar o suporte à GPU antes de executar o notebook ( Runtime -> Change runtime type ). Cada caderno pode ser executado de forma independente e não exige que você conecte sua unidade do Google ou similar. No entanto, ao fechar a sessão, as alterações podem ser perdidas se você não a salvou no computador local ou copiar o caderno para o seu Google Drive com antecedência.
Snellius Cluster : Se você deseja treinar suas próprias redes neurais (maiores) com base nos notebooks, poderá usar o cluster Snellius. No entanto, isso só é sugerido se você realmente deseja treinar um novo modelo e usar as outras duas opções para passar pela discussão e análise dos modelos. Snellius pode não permitir que você com sua conta de aluno execute notebooks Jupyter diretamente na partição GPU_Shared. Em vez disso, você pode primeiro converter os notebooks em um script usando jupyter nbconvert --to script ...ipynb e depois iniciar um trabalho no Snellius para executar o script. Alguns conselhos ao correr em Snellius:
progress_bar_refresh_rate=0 no treinador.plt.show() para plt.savefig(...) . Discutiremos 7 dos tutoriais do curso, espalhados por palestras para cobrir algo de todas as áreas. Você pode alinhar os tutoriais com as palestras com base em seus tópicos. A lista de tutoriais é:
É a primeira vez que apresentamos esses tutoriais durante o curso de aprendizado profundo. Como em qualquer outro projeto, pequenos insetos e problemas são esperados. Agradecemos qualquer feedback dos alunos, seja sobre um erro de ortografia, bug de implementação ou sugestões de melhorias/adições aos notebooks. Por favor, use o link a seguir para enviar feedback ou sinta -se à vontade para me alcançar diretamente por correio (lipe do POT no UVA Dot NL) ou me pegue durante qualquer sessão de TA.
Se você achar os tutoriais úteis e quiser citá -los, poderá usar o seguinte Bibtex:
@misc { lippe2024uvadlc ,
title = { {UvA Deep Learning Tutorials} } ,
author = { Phillip Lippe } ,
year = 2024 ,
howpublished = { url{https://uvadlc-notebooks.readthedocs.io/en/latest/} }
}
