d2l pytorch

---

อัปเดต: โปรดดู repo orignal สำหรับพอร์ต pytorch ที่สมบูรณ์ เราไม่ได้รักษา repo นี้อีกต่อไป

โครงการนี้ดัดแปลงมาจากการดำน้ำต้นฉบับเป็นหนังสือเรียนรู้ลึกโดยแอสตันจาง Zachary C. Lipton, Mu Li, Alex J. Smola และผู้สนับสนุนชุมชนทั้งหมด GitHub ของหนังสือต้นฉบับ: https://github.com/d2l-ai/d2l-en เราได้พยายามแก้ไขหนังสือและแปลงตัวอย่างรหัส MXNET เป็น pytorch

หมายเหตุ: สมุดบันทึก Ipynb บางเล่มอาจไม่แสดงผลอย่างสมบูรณ์แบบใน GitHub เราขอแนะนำ cloning repo หรือใช้ nbviewer เพื่อดูสมุดบันทึก

บท

• การติดตั้ง CH02

  • การติดตั้ง

• CH03 บทนำ

  • การแนะนำ

• Ch04 The Preliminaries: A Crashcourse

  • 4.1 การจัดการข้อมูล
  • 4.2 พีชคณิตเชิงเส้น
  • 4.3 ความแตกต่างอัตโนมัติ
  • 4.4 ความน่าจะเป็นและสถิติ
  • 4.5 การจำแนกประเภท Bayes ไร้เดียงสา
  • 4.6 เอกสาร

• CH05 เครือข่ายประสาทเชิงเส้น

  • 5.1 การถดถอยเชิงเส้น
  • 5.2 การใช้การถดถอยเชิงเส้นตั้งแต่เริ่มต้น
  • 5.3 การใช้การถดถอยเชิงเส้นโดยกระชับ
  • 5.4 การถดถอย Softmax
  • 5.5 ข้อมูลการจำแนกรูปภาพ (แฟชั่น-นิสต์)
  • 5.6 การใช้งานการถดถอยของ Softmax ตั้งแต่เริ่มต้น
  • 5.7 การใช้งานการถดถอยของ Softmax อย่างกระชับ

• CH06 Multilayer Perceptrons

  • 6.1 Multilayer Perceptron
  • 6.2 การใช้งาน Multilayer Perceptron ตั้งแต่เริ่มต้น
  • 6.3 การใช้งาน Multilayer Perceptron โดยย่อ
  • 6.4 การเลือกแบบจำลองภายใต้การรักษาและ overfitting
  • 6.5 การสลายตัวของน้ำหนัก
  • 6.6 ออกกลางคัน
  • 6.7 การแพร่กระจายไปข้างหน้าการแพร่กระจายย้อนหลังและกราฟการคำนวณ
  • 6.8 ความมั่นคงเชิงตัวเลขและการเริ่มต้น
  • 6.9 การพิจารณาสภาพแวดล้อม
  • 6.10 ทำนายราคาบ้านใน Kaggle

• CH07 การคำนวณการเรียนรู้อย่างลึกซึ้ง

  • 7.1 เลเยอร์และบล็อก
  • 7.2 การจัดการพารามิเตอร์
  • 7.3 การเริ่มต้นรอการตัดบัญชี
  • 7.4 เลเยอร์ที่กำหนดเอง
  • 7.5 ไฟล์ I/O
  • 7.6 GPU

• CH08 Neural Networks

  • 8.1 จากชั้นหนาแน่นไปจนถึงการโน้มน้าวใจ
  • 8.2 convolutions สำหรับภาพ
  • 8.3 ช่องว่างและก้าวย่าง
  • 8.4 ช่องสัญญาณอินพุตและเอาต์พุตหลายช่อง
  • 8.5 การรวม
  • 8.6 Neural Networks Convolutional (Lenet)

• CH09 เครือข่าย Convolutional สมัยใหม่

  • 9.1 เครือข่ายประสาทเชิงลึก (Alexnet)
  • 9.2 เครือข่ายที่ใช้บล็อก (VGG)
  • 9.3 เครือข่ายในเครือข่าย (NIN)
  • 9.4 เครือข่ายที่มีการเชื่อมต่อแบบขนาน (googlenet)
  • 9.5 การทำให้เป็นมาตรฐาน
  • 9.6 เครือข่ายที่เหลือ (resnet)
  • 9.7 เครือข่ายที่เชื่อมต่อหนาแน่น (Densenet)

• CH10 เครือข่ายประสาทกำเริบ

  • 10.1 รุ่นลำดับ
  • 10.2 รุ่นภาษา
  • 10.3 เครือข่ายประสาทกำเริบ
  • 10.4 การประมวลผลข้อความล่วงหน้า
  • 10.5 การใช้งานเครือข่ายประสาทที่เกิดขึ้นอีกตั้งแต่เริ่มต้น
  • 10.6 การใช้งานเครือข่ายประสาทที่เกิดขึ้นอีก
  • 10.7 backpropagation ตลอดเวลา
  • 10.8 หน่วยกำเริบที่มีรั้วรอบขอบชิด (GRU)
  • 10.9 หน่วยความจำระยะสั้นระยะยาว (LSTM)
  • 10.10 เครือข่ายประสาทกำเริบลึก
  • 10.11 เครือข่ายประสาทแบบสองทิศทาง
  • 10.12 การแปลและชุดข้อมูล
  • 10.13 สถาปัตยกรรม Decoder encoder
  • 10.14 ลำดับเป็นลำดับ
  • 10.15 การค้นหาลำแสง

• กลไกความสนใจ CH11

  • 11.1 กลไกความสนใจ
  • 11.2 ลำดับเพื่อลำดับด้วยกลไกความสนใจ
  • 11.3 หม้อแปลง

• อัลกอริทึมการเพิ่มประสิทธิภาพ CH12

  • 12.1 การเพิ่มประสิทธิภาพและการเรียนรู้อย่างลึกซึ้ง
  • 12.2 นูน
  • 12.3 การไล่ระดับสี
  • 12.4 โคตรการไล่ระดับสีแบบสุ่ม
  • 12.5 มินิแบทช์การไล่ระดับสีแบบสโทแคสติก
  • 12.6 โมเมนตัม
  • 12.7 Adagrad
  • 12.8 rmsprop
  • 12.9 Adadelta
  • 12.10 อดัม

• CH14 การมองเห็นคอมพิวเตอร์

  • 14.1 การเสริมภาพ
  • 14.2 การปรับแต่งที่ดี
  • 14.3 การตรวจจับวัตถุและกล่องขอบเขต
  • 14.4 กล่องยึด
  • 14.5 การตรวจจับวัตถุ multiscale
  • 14.6 ชุดข้อมูลการตรวจจับวัตถุ (Pikachu)
  • 14.7 การตรวจจับ multibox single single (SSD)
  • 14.8 CNNS ตามภูมิภาค (R-CNNS)
  • 14.9 การแบ่งส่วนความหมายและชุดข้อมูล
  • 14.10 transposed convolution
  • 14.11 เครือข่าย Convolutional อย่างเต็มที่ (FCN)
  • 14.12 การถ่ายโอนสไตล์ประสาท
  • 14.13 การจำแนกรูปภาพ (CIFAR-10) บน Kaggle
  • 14.14 การระบุสายพันธุ์สุนัข (Imagenet Dogs) บน Kaggle

การบริจาค

• โปรดเปิดคำขอดึงเพื่อสนับสนุนสมุดบันทึกใน Pytorch สำหรับบทที่เหลือ ก่อนที่จะเริ่มต้นด้วยโน้ตบุ๊กให้เปิดปัญหาด้วยชื่อของโน้ตบุ๊กเพื่อมีส่วนร่วมในเรื่องเดียวกัน เราจะกำหนดปัญหานั้นให้คุณ (หากไม่มีใครได้รับมอบหมายก่อนหน้านี้)

• ทำตามอนุสัญญาการตั้งชื่ออย่างเคร่งครัดสำหรับสมุดบันทึก ipython และส่วนย่อย

• นอกจากนี้หากคุณคิดว่ามีส่วนใดที่ต้องใช้คำอธิบายที่ดีขึ้น/ดีขึ้นโปรดใช้ตัวติดตามปัญหาเพื่อเปิดปัญหาและแจ้งให้เราทราบเกี่ยวกับสิ่งเดียวกัน เราจะกลับมาโดยเร็วที่สุด

• ค้นหารหัสบางอย่างที่ต้องการการปรับปรุงและส่งคำขอดึง

• ค้นหาข้อมูลอ้างอิงที่เราพลาดและส่งคำขอดึง

• พยายามอย่าส่งคำขอดึงจำนวนมากเนื่องจากทำให้ยากที่จะเข้าใจและรวมเข้าด้วยกัน ดีกว่าส่งคนที่เล็กกว่าหลายตัว

สนับสนุน

หากคุณชอบ repo นี้และพบว่ามีประโยชน์โปรดพิจารณา (★) นำแสดงโดยเพื่อให้สามารถเข้าถึงผู้ชมที่กว้างขึ้น

การอ้างอิง

[1] หนังสือต้นฉบับดำดิ่งสู่การเรียนรู้ลึก -> gitHub repo

[2] การเรียนรู้ลึก - ยาเสพติดตรง

[3] Pytorch - MxNet Cheatsheet

อ้างถึง

หากคุณใช้งานหรือรหัสนี้สำหรับการวิจัยของคุณโปรดอ้างอิงหนังสือต้นฉบับด้วยรายการ BibTex ต่อไปนี้

 @book{zhang2020dive,
    title={Dive into Deep Learning},
    author={Aston Zhang and Zachary C. Lipton and Mu Li and Alexander J. Smola},
    note={url{https://d2l.ai}},
    year={2020}
}