deep learning v2 pytorch

深度学习（Pytorch）-ND101 V7

该存储库包含与Udacity的深度学习V7纳米模板程序有关的材料。它由一堆用于各种深度学习主题的教程笔记本。在大多数情况下，笔记本电脑引导您实施诸如卷积网络，经常性网络和gans之类的模型。还有其他涵盖的主题，例如重量初始化和批处理标准化。

还有一些笔记本作为纳米式程序的项目。在计划本身中，这些项目由真实的人（Udacity Reviewers）审查，但在此也可以使用。

目录

教程

神经网络简介

• 神经网络简介：了解如何实施梯度下降并将其应用于预测学生录取数据中的模式。
• 与Numpy：Andrew Trask的情感分析使您通过建立情感分析模型，预测某些文本是正面的还是负面的。
• Pytorch简介：学习如何在Pytorch中构建神经网络并使用预训练的网络进行最新的图像分类器。

卷积神经网络

• 卷积神经网络：可视化组成CNN的层的输出。了解如何定义和训练CNN进行MNIST数据分类，MNIST数据是一个在机器和深度学习领域臭名昭著的手写数字数据库。另外，定义和训练CNN以在CIFAR10数据集中对图像进行分类。
• 转移学习。实际上，大多数人不会在庞大的数据集上训练自己的网络；他们使用预先训练的网络，例如VGGNET。在这里，您将使用VGGNET来帮助对花的图像进行分类，而无需从头开始训练端到端网络。
• 权重初始化：探索初始化网络权重如何影响性能。
• 自动编码器：使用Pytorch中的前馈和卷积网络构建用于图像压缩和降低噪声的模型。
• 样式传输：使用预训练的网络从图像中提取样式和内容功能。根据论文实施样式转移，使用Gatys等人使用卷积神经网络的图像样式转移。 al。为迭代创建您自己的设计的目标，风格传递的图像定义适当的损失！

复发性神经网络

• 复发网络的介绍（时间序列和字符级RNN）：循环神经网络能够使用有关数据顺序的信息，例如文本中字符的顺序；了解如何在Pytorch中实施这些任务。
• 嵌入（Word2Vec）：实现Word2Vec模型以找到用于自然语言处理的单词的语义表示。
• 情感分析RNN：实施一个经常性的神经网络，该网络可以预测Moview Review的文本是正面的还是负面的。
• 注意：实施注意力并将其应用于注释向量。

生成对抗网络

• MNIST上的生成对抗网络：在MNIST数据集上训练一个简单的生成对抗网络。
• 分批归一化：学习如何通过批准化来提高培训率和网络稳定性。
• 深卷积GAN（DCGAN）：实施DCGAN以基于Street View House编号（SVHN）数据集生成新图像。
• Cyclegan：实施一个旨在从未配对和未标记数据中学习的CycleGAN；使用训练有素的发电机将图像从夏季到冬季转换，反之亦然。

部署模型（与AWS SageMaker一起）

• 有关模型部署课程的所有练习和项目笔记本都可以在链接的GitHub Repo中找到。学习使用AWS SageMaker部署预训练的模型。

项目

• 预测自行车共享模式：在Numpy实施神经网络以预测自行车租赁。
• 狗品种分类器：与Pytorch建立卷积神经网络，以将任何图像（甚至是面部图像）分类为特定的狗品种。
• 电视脚本生成：训练一个经常性的神经网络，以从Seinfeld的对话风格生成脚本。
• 面部生成：在Celeba数据集上使用DCGAN来生成新的和现实的人脸的图像。

选修课

• TensorFlow的介绍：开始使用TensorFlow构建神经网络。
• KERAS：学会与Keras建立神经网络和卷积神经网络。

---

依赖性

使用Anaconda配置和管理您的环境

根据Anaconda文档：

Conda是一种开源软件包管理系统和环境管理系统，用于安装多个版本的软件包及其依赖项，并在它们之间轻松切换。它在Linux，OS X和Windows上工作，是为Python程序创建的，但可以包装和分发任何软件。

概述

使用Anaconda包括以下内容：

1. 通过为您的操作系统选择最新的Python版本，在计算机上安装miniconda 。如果您已经安装了conda或miniconda ，则应该可以跳过此步骤，然后继续进行步骤2。
2. 创建并激活 *新的conda环境。

*每次您希望进行任何练习时，都会激活您的conda环境！

---

1。安装

下载与您的系统匹配的最新版本的miniconda 。

	Linux	苹果	视窗
64位	64位（bash安装程序）	64位（bash安装程序）	64位（EXE安装程序）
32位	32位（Bash Installer）		32位（EXE安装程序）

在机器上安装Miniconda。详细说明：

• Linux： https：//conda.io/projects/conda/en/latest/user-guide/install/linux.html
• Mac： https：//conda.io/projects/conda/en/latest/user-guide/install/macos.html
• Windows： https：//conda.io/projects/conda/en/latest/user-guide/install/windows.html

2。创建和激活环境

对于Windows用户，与Windows终端窗口相比，需要从Anaconda提示下执行以下命令。对于Mac，普通的终端窗口将起作用。

git和版本控制

这些说明还假定您已安装了git用于从终端窗口与GitHub合作，但是如果您不使用，则可以首先使用命令下载该：

 conda install git

如果您想了解有关版本控制的更多信息，并从命令行中使用git ，请查看我们的免费课程：使用git的版本控制。

现在，我们准备创建本地环境！

1. 克隆存储库，然后导航到下载的文件夹。由于随附的图像数据，这可能需要一两分钟才能克隆。

 git clone https://github.com/udacity/deep-learning-v2-pytorch.git
cd deep-learning-v2-pytorch

2. 创建（并激活）一个新的环境，称为Python 3.6的deep-learning 。如果提示进行安装(Proceed [y]/n)型y。

   • Linux或Mac ：

    conda create -n deep-learning python=3.6
   source activate deep-learning
   

   • Windows ：

    conda create --name deep-learning python=3.6
   activate deep-learning
   

   此时，您的命令行应该看起来像：（ (deep-learning) <User>:deep-learning-v2-pytorch <user>$ 。 (deep-learning)表明您的环境已被激活，您可以进行进一步的包装安装。

3. 安装Pytorch和Torchvision；这应该安装最新版本的Pytorch。

   • Linux或Mac ：

    conda install pytorch torchvision -c pytorch 
   

   • Windows ：

    conda install pytorch -c pytorch
   pip install torchvision
   

4. 安装一些必需的PIP软件包，这些软件包在需求文本文件（包括OpenCV）中指定。

 pip install -r requirements.txt

7. 就是这样！

现在，大多数deep-learning库都可以使用。有时，您会看到一个带有附加需求文件的存储库，例如，如果您想使用TensorFlow和Keras。在这种情况下，鼓励您将另一个库安装到现有环境中，或为特定项目创建新的环境。

现在，假设您的deep-learning环境仍在激活中，您可以导航到主要存储库并开始查看笔记本：

 cd
cd deep-learning-v2-pytorch
jupyter notebook

要在完成工作会话后退出环境，只需关闭终端窗口即可。