code of learn deep learning with pytorch

Пирог

Учитесь глубоким обучением с Pytorch

Большое спасибо за покупку этой книги. Этот репозиторий GitHub содержит пример кода для Pytorch, который является введением в глубокое обучение. Из -за моего ограниченного уровня я сослался на некоторую онлайн -информацию при написании этой книги, и я хотел бы выразить свое уважение к ним здесь. По мере того, как технология глубокого обучения быстро развивается, Pytorch также постоянно обновляется, и у меня есть много областей, которые я не освещал, когда я закончил эту книгу, так что этот репозиторий будет обновлен как последующая служба для покупки второй книги. Я надеюсь, что смогу предоставить вам тонкую силу на пути к началу работы с глубоким обучением.

Примечание. Из -за изменения версии Pytorch, код в книге может иметь ошибки, поэтому все коды в основном основаны на тех, которые в этом GitHub.

Настройте среду

Книга уже подробно описала, как настроить среду Python на основе Anaconda и установить Pytorch. Если вы используете свой собственный компьютер и имеете видеокарту Nvidia, то вы можете с радостью войти в мир глубокого обучения. Если у вас нет видеокарты NVIDIA, нам нужна платформа для облачных вычислений, чтобы помочь нам изучить путешествие по глубокому обучению. Как настроить вычислительную платформу AWS

Следующие каталоги курсов отличаются от каких -либо в книге, потому что контент обновляется до второго издания, а второе издание будет запущено в ближайшее время! !

Каталог курса

Часть1: Основы глубокого обучения

• Глава 2: Основы Pytorch

  • Тензор и переменная
  • Автоматический механизм руководства
  • Динамические и статические изображения

• Глава 3: Нейронные сети

  • Линейная модель и градиент спуск
  • Логистическая регрессия и оптимизатор
  • Многослойная нейронная сеть, последовательная и модуль
  • Глубокая нейронная сеть
  • Метод инициализации параметра
  • Алгоритм оптимизации
    • SGD
    • Метод импульса
    • Адаград
    • RMSProp
    • Ададельта
    • Адам

• Глава 4: Служба нейронных сетей

  • Сверточные модули в Pytorch
  • Нормализация партии
  • Глубокая сеть с использованием повторяющихся элементов, VGG
  • Более богатая сетевая структура, GoogleLenet
  • Глубокая остаточная сеть, Resnet
  • Денсенет
  • Лучшее обучение сверточных сетей
    • Улучшение данных
    • Регуляризация
    • Распад скорости обучения

• Глава 5: Рецидивирующая нейронная сеть

  • Рецидивные модули нейронной сети: LSTM и GRU
  • Использование RNN для классификации изображений
  • Анализ временных рядов с использованием RNN
  • Применение обработки естественного языка:
    • Слово внедрение
    • N-грамм модель
    • Seq-lstm, чтобы сделать прогноз частичности

• Глава 6: Создание состязательных сетей

  • Автоматический энкодер
  • Вариационный автоматический энкодер
  • Генерировать состязательные сети
  • Глубокие сверточные состязательные сети (DCGANS) генерируют человеческие лица

• Глава 7:

  • Q Learning
  • Открытый спортзал AI
  • Глубокие Q-NetWorks

• Глава 8: Pytorch Advanced

  • визуализация тенскора
  • Гибкое чтение данных Введение
  • Введение в Autograd.function
  • Параллелизм данных и мульти-GPU
  • Преобразовать в модель Caffe2 с помощью ONNX
  • Как развернуть обученную нейронную сеть
  • Создайте свои собственные привычки использования Pytorch

Часть 2: применение глубокого обучения

• Глава 9: Компьютерное зрение

  • Тонкая настройка: переносить обучение через тонкую настройку
  • Первый опыт Kaggle: Cat and Dog Battle
  • Семантическая сегментация: реализация классификации на уровне пикселей через FCN
  • Пиксель -пиксельные генеративные состязательные сети
  • Нейронная передача: внедрение передачи стиля через сверточные сети
  • Глубокая мечта: исследование мира в глазах сверточных сетей

• Глава 10: Обработка естественного языка

  • Char rnn реализует генерацию текста
  • Подпись изображения: Реализация генерации подзаголовок изображений
  • seq2seq реализует машинный перевод
  • CNN + RNN + Внимание, чтобы реализовать распознавание текста

Некоторые другие ресурсы

Для некоторых публичных курсов и учебных ресурсов для глубокого обучения, пожалуйста, обратитесь к моему репозиторию

Вы можете следить за моей колонкой и блогом Zhihu, и вы часто поделитесь некоторыми статьями по глубокому обучению

Ресурсы о Pytorch

My GitHub Repo Pytorch-Beginner

Pytorch-Tutorial

Информный-пирог

Практический пирог

Pytorchzerotoall

Потрясающий пирогский список

Подтверждение

Некоторые части второго издания этой книги относятся к китайскому учебному пособию MXNet Gluon и используйте MXNet/Gluon для изучения глубокого обучения.

Gluon - это структура, которая очень похожа на Pytorch. Это очень просто и легко в использовании. Я рекомендую вам изучить его, а также рекомендовать китайские курсы Gluon, которые преподаются во всех китайцах, имеют видео и кодовые практики. Можно сказать, что это самый полный китайский учебник по глубокому обучению.