d2l pytorch

---

更新：请参阅Orignal Repo以获取完整的Pytorch端口。我们不再维护此回购。

该项目从原始的潜水中，由阿斯顿·张（Aston Zhang），Zachary C. Lipton，Mu Li，Alex J. Smola和所有社区贡献者改编成深度学习书。原始书籍的Github：https：//github.com/d2l-ai/d2l-en。我们已经努力修改本书并将MXNET代码片段转换为Pytorch。

注意：某些IPYNB笔记本可能不会在Github中完美地渲染。我们建议cloning库克隆或使用NBViewer查看笔记本。

章节

• CH02安装

  • 安装

• CH03简介

  • 介绍

• CH04预赛：崩溃

  • 4.1数据操纵
  • 4.2线性代数
  • 4.3自动差异
  • 4.4概率和统计
  • 4.5天真的贝叶斯分类
  • 4.6文档

• CH05线性神经网络

  • 5.1线性回归
  • 5.2从头开始线性回归实现
  • 5.3线性回归的简明实施
  • 5.4软马克斯回归
  • 5.5图像分类数据（时尚记）
  • 5.6从头开始实施SoftMax回归
  • 5.7简明实施SoftMax回归

• CH06多层感知

  • 6.1多层感知器
  • 6.2从头开始实施多层感知器
  • 6.3简明实施多层感知器
  • 6.4模型选择不足和过拟合
  • 6.5重量衰减
  • 6.6辍学
  • 6.7向后传播向后传播和计算图
  • 6.8数值稳定性和初始化
  • 6.9考虑环境
  • 6.10预测Kaggle的房价

• CH07深度学习计算

  • 7.1层和块
  • 7.2参数管理
  • 7.3递延初始化
  • 7.4自定义层
  • 7.5文件I/O。
  • 7.6 GPU

• CH08卷积神经网络

  • 8.1从密集层到卷积
  • 8.2图像的卷积
  • 8.3填充和大步
  • 8.4多个输入和输出通道
  • 8.5合并
  • 8.6卷积神经网络（LENET）

• CH09现代卷积网络

  • 9.1深卷积神经网络（Alexnet）
  • 9.2使用块（VGG）网络
  • 9.3网络（NIN）中的网络
  • 9.4具有并行串联的网络（Googlenet）
  • 9.5批准化
  • 9.6剩余网络（RESNET）
  • 9.7密集连接的网络（Densenet）

• CH10复发性神经网络

  • 10.1序列模型
  • 10.2语言模型
  • 10.3复发性神经网络
  • 10.4文本预处理
  • 10.5从头开始实施复发性神经网络
  • 10.6简化的复发神经网络实施
  • 10.7随着时间的推移反向传播
  • 10.8封闭式复发单元（GRU）
  • 10.9长期内存（LSTM）
  • 10.10深度反复的神经网络
  • 10.11双向反复神经网络
  • 10.12机器翻译和数据集
  • 10.13编码器架构
  • 10.14序列序列
  • 10.15梁搜索

• CH11注意机制

  • 11.1注意机制
  • 11.2通过注意机制序列的序列
  • 11.3变压器

• CH12优化算法

  • 12.1优化和深度学习
  • 12.2凸度
  • 12.3梯度下降
  • 12.4随机梯度下降
  • 12.5微型批量随机梯度下降
  • 12.6势头
  • 12.7 Adagrad
  • 12.8 rmsprop
  • 12.9阿达德尔塔
  • 12.10亚当

• CH14计算机视觉

  • 14.1图像增强
  • 14.2微调
  • 14.3对象检测和边界框
  • 14.4锚盒
  • 14.5多尺度对象检测
  • 14.6对象检测数据集（Pikachu）
  • 14.7单枪Multibox检测（SSD）
  • 14.8基于区域的CNN（R-CNN）
  • 14.9语义细分和数据集
  • 14.10转置卷积
  • 14.11完全卷积网络（FCN）
  • 14.12神经风格转移
  • 14.13 Kaggle上的图像分类（CIFAR-10）
  • 14.14 Kaggle上的狗品种识别（Imagenet狗）

贡献

• 请随时在其余章节中打开拉动请求，以在Pytorch撰写笔记本。在开始笔记本之前，请用笔记本的名称打开一个问题，以便为此做出贡献。我们将把这个问题分配给您（如果没有人之前分配）。

• 严格遵循IPYTHON笔记本和小节的命名约定。

• 另外，如果您认为有任何部分需要更多/更好的解释，请使用问题跟踪器打开问题并让我们知道相同的问题。我们将尽快回来。

• 找到一些需要改进的代码并提交拉动请求。

• 找到我们错过的参考，并提交拉动请求。

• 尽量不要提交巨大的拉力请求，因为这会使他们难以理解和合并。最好发送几个较小的。

支持

如果您喜欢此存储库并发现它有用，请考虑（★）主演它，以便它可以吸引更广泛的受众。

参考

[1]原始书籍深入学习 - > github repo

[2]深度学习 - 直剂

[3] Pytorch -mxnet备忘单

引用

如果您使用此作品或代码进行研究，请引用以下Bibtex条目的原始书。

 @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}
}