Это соответствующий код для книги «Фреймворк глубокого обучения Pytorch: начало работы и практики (2 -е издание)», но она также может использоваться в качестве независимого руководства для начинающих Pytorch и учебного пособия.
Новое обновление
Второе издание этой книги было недавно обновлено на основе первого издания, а код книги написан на основе 1 -го издания Pytorch версии 1.8. Он был всесторонне обновлен в сочетании с мнениями читателей первого издания, включая три модуля: базовое использование, расширенное расширение и практические приложения.
содержание
Содержание этой книги (учебник/репозиторий) показано на рисунке: 
Видно, что этот учебник может быть разделен на три части:
Основное использование (глава 2–5) объясняет содержание Pytorch. Эта часть вводит основные модули в Pytorch и некоторые часто используемые инструменты в глубоком обучении. Для этой части контента мы используем ноутбук Jupyter в качестве учебного инструмента, и читатели могут модифицировать и запускать ноутбук и неоднократно экспериментировать.
- Глава 2 представляет установку Pytorch и конфигурацию соответствующих среде обучения. В то же время эта глава вводит основное содержание Pytorch в сфере, помогая читателям получить предварительное понимание Pytorch.
- Глава 3 представляет использование многомерного тензора массива и автоматической дифференциальной системы в Pytorch и приводит примеры того, как использовать тензор и аутограмму для достижения линейной регрессии и сравнения их различий. В этой главе анализируется основная структура тензора и принципы Autograd, чтобы помочь читателям более широко понять, что читатели понимают основные модули Pytorch.
- Глава 4 представляет базовое использование модуля нейронной сети NN в Pytorch, объясняет слои, функции активации, функции потерь и оптимизаторы в нейронной сети и заставляет читателей использовать менее 50 строк кода для реализации классической сетевой структуры Resnet.
- Глава 5 представляет такие инструменты, как загрузка данных, модели предварительного обучения, инструменты визуализации и ускорение графического процессора в Pytorch. Использование этих инструментов Rational может повысить эффективность программирования пользователя.
Усовершенствованные расширения (главы 6-8) объясняют некоторые расширенные расширения в Pytorch. Изучение этой части может помочь читателям написать более эффективные программы.
- Глава 6 представляет идеи векторизации в Pytorch, в основном включающие в себя правила вещания, основные индексы, расширенные индексы и операции Einstein. В конце этой главы ведущие читатели для использования векторизационных идей для реализации сверточных операций, чередования, выравнивания ROI и обращения уникальных операций в глубоком обучении.
- Глава 7 представляет распределенные операции в Pytorch. Распределенные вычислительные и параллельные вычисления могут ускорить обучающий процесс сети. В этой главе подробно рассказываются основные принципы параллельных вычислений и распределенных вычислений, а также вводит, как использовать Torch.Sitributed и Horovod для распределенного обучения Pytorch.
- Глава 8 представляет расширение CUDA в Pytorch, ведущие читатели для использования CUDA для реализации сигмоидных функций. В то же время эта глава суммирует взаимосвязь между Cuda, Nvidia-Driver, Cudnn и Python.
Практические приложения (глава 9-13) Используйте Pytorch для реализации нескольких прохладных и интересных приложений. Для этой части контента этот репозиторий предоставляет полный код реализации и предоставляет предварительно обученные модели в качестве демонстраций для тестирования читателей.
- Глава 9 - это глава, которая связывает прошлое и будущее. Цель состоит не в том, чтобы научить читателей новым функциям и новым знаниям, а в том, чтобы объединить его с классической конкуренцией в Kaggle, чтобы реализовать самую простую проблему бинарной классификации изображения в глубоком обучении. В ходе процесса реализации читатели будут привести к рассмотрению знаний о первых 5 главах и помощи читателям организовать программы и разумно кодировать, чтобы программа облегчила чтение и лучшее обслуживание. В то же время эта глава представляет, как отлаживать в Pytorch.
- Глава 10 представляет основные принципы генерации состязательных сетей, ведущих читателей для реализации генератора аниме -аватара с нуля и могут использовать генеративную состязательную сеть для генерации аватаров аниме с различными стилями.
- Глава 11 представляет некоторые базовые знания о обработке естественного языка и подробно вводит основные принципы Charrnn и Transformer. Эта глава заставляет читателей использовать трансформатор для автоматического написания стихов. Эта программа может подражать древним людям для продолжения стихов и генерировать скрытые стихи.
- Глава 12 представляет основные принципы передачи стиля и заставляет читателей внедрять нейронные сети, которые поддерживают передачу произвольного стиля. Через эту сеть читатели могут преобразовать любую картину в стиль известных картин.
- Глава 13 представляет основные принципы обнаружения объектов и заставляет читателей реализовать одноэтапный, свободный якорь и центр обнаружения целей по подавлению максимальной стоимости. Идеи дизайна Centernet можно перенести в классические проблемы с компьютерным зрением, такие как обнаружение объекта, оценка осанки человека и отслеживание целей трехмерных изображений.
Содержание описания текста и некоторый контент разметки в ноутбуке принадлежат к первому черту этой книги. В описании могут быть некоторые неудобства. Пожалуйста, поймите, что автор постепенно исправит его позже . Эта часть контента обеспечивает согласованность 80% с книгой, но могут быть некоторые грамматические проблемы. Из -за ограничений по времени автор постепенно обновляет его в будущем.
Вам нужно купить книгу?
Книги не нужны . Этот склад содержит более 60% текстового контента и более 90% кода в книге, особенно контент введений в предыдущих нескольких главах, которые почти полностью сохраняют контент объяснения в книге. Читатели могут обычно использовать этот урок, даже если они не покупают книги.
Если вы думаете, что предпочитаете опыт чтения бумажной версии и хотите оставить красиво напечатанную и полностью печатную книгу для легкого чтения, вы также можете потратить немного денег, чтобы поддержать работу автора в течение прошлого года ~
Описание кода
Код в основном проверяется в Python3+Pytorch1.6 ~ 1.8, чтобы получить конечный результат. Python2 еще не был проверен, и обновленная версия Pytorch еще не была проверена.
Если есть какая -либо неуместность или какие -либо области, которые нуждаются в улучшении, откройте обсуждение вопроса или отправьте запрос на привлечение.
Конфигурация среды
Чтобы установить Pytorch, выберите указанную версию с официального веб -сайта, чтобы установить его и установить одним щелчком. Для получения дополнительных методов установки, пожалуйста, обратитесь к инструкциям в книге.
Клонирование репозитория
git clone https : // github . com / chenyuntc / PyTorch - book . git
^_^
Если у вас есть какие -либо ошибки, неясные объяснения или путаницы, пожалуйста, откройте проблему
Добро пожаловать, чтобы получить запросы
Счастливого кодирования!
- Ссылка на покупку JD.com
- Ссылка на покупку Dangdang
