หน้าแรก>การเขียนโปรแกรมที่เกี่ยวข้อง>ซอร์สโค้ดอื่น ๆ
ดาวน์โหลด
ปิดบัง

โครงการนี้เปลี่ยนการใช้งานรหัส MXNET ในหนังสือต้นฉบับ "Hand-On Deep Learning" เป็น TensorFlow2 หลังจากครูสอนพิเศษของ Archersama ปรึกษากับอาจารย์ Li Mu การดำเนินโครงการนี้ได้รับการอนุมัติจากอาจารย์ Li Mu ผู้เขียนหนังสือต้นฉบับ: Aston Zhang, Li Mu, Zachary C. Lipton, Alexander J. Smora และผู้สนับสนุนชุมชนอื่น ๆ ที่อยู่ GitHub: https://github.com/d2l-ai/d2l-zhub

หนังสือเล่มนี้มีความแตกต่างในหนังสือเล่มนี้และภาษาอังกฤษ โครงการนี้ส่วนใหญ่ refactors tensorflow2 สำหรับเวอร์ชันภาษาจีนของหนังสือเล่มนี้ นอกจากนี้โครงการนี้ยังหมายถึงโครงการ Dive-Into-DL-Pytorch ที่ refactors pytorch ในหนังสือเล่มนี้ของหนังสือเล่มนี้ขอบคุณที่นี่

ได้รับการอัปเดตเป็นสิบบทและกำลังได้รับการปรับปรุงอย่างต่อเนื่อง - -

โครงการได้รับการรายงานโดยบัญชีสาธารณะหลายบัญชีเช่น Machine Heart และได้รับการยอมรับจากผู้เขียนต้นฉบับ Li Mu

การแนะนำ

พื้นที่เก็บข้อมูลนี้ส่วนใหญ่มีสองโฟลเดอร์: รหัสและเอกสาร (รวมถึงข้อมูลบางอย่างถูกเก็บไว้ในข้อมูล) โฟลเดอร์รหัสเป็นรหัสสมุดบันทึก Jupyter ที่เกี่ยวข้องสำหรับแต่ละบท (ขึ้นอยู่กับ TensorFlow2); โฟลเดอร์ DOCS เป็นเนื้อหาที่เกี่ยวข้องในรูปแบบ markdown ของหนังสือ "การเรียนรู้แบบมือลึก" จากนั้นใช้ docsify เพื่อปรับใช้เอกสารเว็บไปยังหน้า GitHub เนื่องจากหนังสือต้นฉบับใช้ MXNET Framework เนื้อหาเอกสารอาจแตกต่างจากหนังสือต้นฉบับเล็กน้อย แต่เนื้อหาโดยรวมเหมือนกัน ยินดีต้อนรับการมีส่วนร่วมในโครงการหรือปัญหานี้

สำหรับฝูงชน

โครงการนี้มุ่งเป้าไปที่รองเท้าเด็กที่มีความสนใจในการเรียนรู้อย่างลึกซึ้งโดยเฉพาะผู้ที่ต้องการใช้ TensorFlow2 สำหรับการเรียนรู้อย่างลึกซึ้ง โครงการนี้ไม่ต้องการให้คุณมีความรู้พื้นฐานเกี่ยวกับการเรียนรู้อย่างลึกซึ้งหรือการเรียนรู้ของเครื่อง คุณเพียงแค่ต้องเข้าใจคณิตศาสตร์และการเขียนโปรแกรมขั้นพื้นฐานเช่นพีชคณิตเชิงเส้นพื้นฐานความแตกต่างและความน่าจะเป็นและการเขียนโปรแกรม Python ขั้นพื้นฐาน

วิธีกิน

วิธีที่ 1

ที่เก็บนี้มีสูตร LaTex บางส่วน แต่ Native Markdown ของ GitHub ไม่รองรับการแสดงสูตรและโฟลเดอร์ DOCS ได้ถูกปรับใช้ในหน้า GitHub โดยใช้ docsify ดังนั้น วิธีที่ง่ายที่สุดในการดูเอกสารคือการเข้าถึงเว็บเวอร์ชันของโครงการนี้โดยตรง แน่นอนถ้าคุณยังต้องการเรียกใช้รหัสที่เกี่ยวข้องคุณยังต้องโคลนโครงการและเรียกใช้รหัสที่เกี่ยวข้องในโฟลเดอร์รหัส

วิธีที่ 2

นอกจากนี้คุณยังสามารถเข้าถึงเอกสารในเครื่องและติดตั้งเครื่องมือ docsify-cli ก่อน: 

npm i docsify-cli -g

จากนั้นโคลนโครงการในพื้นที่: 

git clone https://github.com/TrickyGo/Dive-into-DL-TensorFlow2.0
cd Dive-into-DL-TensorFlow2.0

จากนั้นเรียกใช้เซิร์ฟเวอร์ท้องถิ่นเพื่อให้คุณสามารถเข้าถึงเอฟเฟกต์การเรนเดอร์เว็บเอกสารแบบเรียลไทม์ได้ที่ http://localhost:3000 

docsify serve docs

ผู้มีส่วนร่วม

ผู้สนับสนุนและผู้สนับสนุนหลักของโครงการนี้มีดังนี้


อาร์เชอร์มามา
(ผู้นำ)
การใช้กลไก

ดาบ

ชูสเทน

คนที่มีความสุข

สารบัญ

  • การแนะนำ
  • คู่มือการอ่าน
  • 1. บทนำสู่การเรียนรู้อย่างลึกซึ้ง
  • 2. ความรู้การเตรียมการ
    • 2.1 การกำหนดค่าสภาพแวดล้อม
    • 2.2 การดำเนินการข้อมูล
    • 2.3 ค้นหาการไล่ระดับสีโดยอัตโนมัติ
    • 2.4 ตรวจสอบเอกสาร
  • 3. พื้นฐานของการเรียนรู้ลึก
    • 3.1 การถดถอยเชิงเส้น
    • 3.2 การใช้การถดถอยเชิงเส้นตั้งแต่เริ่มต้น
    • 3.3 การใช้การถดถอยเชิงเส้นโดยกระชับ
    • 3.4 การถดถอย Softmax
    • 3.5 ชุดข้อมูลการจำแนกรูปภาพ (Fashion-Mnist)
    • 3.6 การใช้งานการถดถอยของ Softmax ตั้งแต่เริ่มต้น
    • 3.7 การใช้งานการถดถอย SoftMax อย่างง่าย
    • 3.8 เครื่องตรวจจับหลายชั้น
    • 3.9 การใช้งานเครื่องรับรู้หลายชั้นตั้งแต่เริ่มต้น
    • 3.10 การใช้งานเครื่องรับรู้หลายชั้นอย่างง่าย
    • 3.11 การเลือกรุ่น, underfitting และ overfitting
    • 3.12 การสลายตัวของน้ำหนัก
    • 3.13 วิธีการทิ้ง
    • 3.14 การแพร่กระจายไปข้างหน้าการแพร่กระจายกลับและไดอะแกรมการคำนวณ
    • 3.15 ความเสถียรเชิงตัวเลขและการเริ่มต้นแบบจำลอง
    • 3.16 การแข่งขัน Kaggle จริง: การทำนายราคาบ้าน
  • 4. คอมพิวเตอร์เรียนรู้ลึก
    • 4.1 การก่อสร้างแบบจำลอง
    • 4.2 การเข้าถึงการเริ่มต้นและการแบ่งปันพารามิเตอร์แบบจำลอง
    • 4.3 การเริ่มต้นล่าช้าของพารามิเตอร์โมเดล
    • 4.4 เลเยอร์ที่กำหนดเอง
    • 4.5 การอ่านและการจัดเก็บ
    • 4.6 การคำนวณ GPU
  • 5. เครือข่ายประสาท Convolutional
    • 5.1 เลเยอร์ convolution สองมิติ
    • 5.2 เติมและก้าวย่าง
    • 5.3 ช่องสัญญาณหลายอินพุตและช่องสัญญาณเอาท์พุท
    • 5.4 การรวมเลเยอร์
    • 5.5 เครือข่ายประสาท Convolutional (Lenet)
    • 5.6 เครือข่ายประสาทเชิงลึก (Alexnet)
    • 5.7 เครือข่ายโดยใช้องค์ประกอบซ้ำ (VGG)
    • 5.8 เครือข่ายในเครือข่าย (NIN)
    • 5.9 เครือข่ายที่มีการเชื่อมต่อแบบขนาน (googlenet)
    • 5.10 การทำให้เป็นมาตรฐาน
    • 5.11 เครือข่ายที่เหลือ (resnet)
    • 5.12 Densenet
  • 6. เครือข่ายประสาทกำเริบ
    • 6.1 รูปแบบภาษา
    • 6.2 เครือข่ายประสาทกำเริบ
    • 6.3 ชุดข้อมูลโมเดลภาษา (เนื้อเพลงของอัลบั้มของ Jay Chou)
    • 6.4 การใช้งานเครือข่ายประสาทที่เกิดขึ้นอีกตั้งแต่เริ่มต้น
    • 6.5 การใช้งานเครือข่ายประสาทที่เกิดขึ้นใหม่อย่างง่าย
    • 6.6 backpropagation ตลอดเวลา
    • 6.7 หน่วยหมุนเวียนที่มีรั้วรอบขอบชิด (GRU)
    • 6.8 หน่วยความจำระยะสั้นยาว (LSTM)
    • 6.9 เครือข่ายประสาทที่เกิดขึ้นใหม่
    • 6.10 เครือข่ายประสาทแบบสองทิศทาง
  • 7. อัลกอริทึมการเพิ่มประสิทธิภาพ
    • 7.1 การเพิ่มประสิทธิภาพและการเรียนรู้อย่างลึกซึ้ง
    • 7.2 การไล่ระดับสีและการไล่ระดับสีแบบสุ่ม
    • 7.3 การไล่ระดับสีแบบสโทแคสติก
    • 7.4 วิธีโมเมนตัม
    • 7.5 อัลกอริทึม Adagrad
    • 7.6 อัลกอริทึม RMSPROP
    • 7.7 อัลกอริทึม Adadelta
    • 7.8 อัลกอริทึมอดัม
  • 8. ประสิทธิภาพการคำนวณ
    • 8.1 การเขียนโปรแกรมลูกผสมที่จำเป็นและสัญลักษณ์
    • 8.2 การคำนวณแบบอะซิงโครนัส
    • 8.3 การคำนวณแบบขนานอัตโนมัติ
    • 8.4 การคำนวณหลาย GPU
  • 9. วิสัยทัศน์คอมพิวเตอร์
    • 9.1 การเสริมภาพ
    • 9.2 การปรับที่ดี
    • 9.3 การตรวจจับวัตถุและกล่องขอบเขต
    • 9.4 เฟรมสมอเรือ
    • 9.5 การตรวจจับเป้าหมายหลายระดับ
    • 9.6 ชุดข้อมูลการตรวจจับวัตถุ (Pikachu)
    • 9.8 ซีรี่ส์ Neural Neural Neural Neural (R-CNN) ระดับภูมิภาค
    • 9.9 การแบ่งส่วนความหมายและชุดข้อมูล
    • 9.10 เครือข่าย Convolutional เต็มรูปแบบ (FCN)
    • 9.11 การโยกย้ายสไตล์
    • 9.12 การแข่งขัน Kaggle เชิงปฏิบัติ: การจำแนกรูปภาพ (CIFAR-10)
    • 9.13 การแข่งขัน Kaggle เชิงปฏิบัติ: การระบุสายพันธุ์สุนัข (Imagenet Dogs)
  • 10. การประมวลผลภาษาธรรมชาติ
    • 10.1 การฝังคำ (Word2vec)
    • 10.2 การฝึกอบรมโดยประมาณ
    • 10.3 การใช้งาน Word2Vec
    • 10.4 การฝังคำย่อย (fasttext)
    • 10.5 การฝังคำของเวกเตอร์ทั่วโลก (ถุงมือ)
    • 10.6 ค้นหาคำพ้องความหมายและการเปรียบเทียบ
    • 10.7 การจำแนกอารมณ์ความรู้สึกของข้อความ: การใช้เครือข่ายประสาทอีกครั้ง
    • 10.8 การจำแนกอารมณ์ความรู้สึกของข้อความ: การใช้เครือข่ายประสาทแบบ convolutional (textCNN)
    • 10.9 รหัสเข้ารหัส (SEQ2SEQ)
    • 10.10 การค้นหาพวง
    • 10.11 กลไกความสนใจ
    • 10.12 การแปลของเครื่องจักร
  • 11. ภาคผนวก
    • 11.1 รายการสัญลักษณ์หลัก
    • 11.2 พื้นฐานของคณิตศาสตร์
    • 11.3 การใช้สมุดบันทึก Jupyter
    • 11.4 เรียกใช้รหัสโดยใช้ AWS
    • คู่มือการซื้อ 11.5 GPU

อัปเดตอย่างต่อเนื่อง ...

ที่อยู่หนังสือต้นฉบับ

เวอร์ชันภาษาจีน: เรียนรู้การเรียนรู้อย่างลึกซึ้งในมือ | ที่เก็บ GitHub
เวอร์ชันภาษาอังกฤษ: ดำดิ่งสู่การเรียนรู้ลึก | GitHub repo

อ้าง

หากคุณใช้โครงการนี้ในการวิจัยของคุณโปรดอ้างอิงหนังสือต้นฉบับ: 

 @book{zhang2019dive,
    title={Dive into Deep Learning},
    author={Aston Zhang and Zachary C. Lipton and Mu Li and Alexander J. Smola},
    note={url{http://www.d2l.ai}},
    year={2019}
}
ขยาย
ข้อมูลเพิ่มเติม
แอปที่เกี่ยวข้อง
แนะนำสำหรับคุณ
ข้อมูลที่เกี่ยวข้อง ทั้งหมด