deep learning v2 pytorch

深度學習（Pytorch）-ND101 V7

該存儲庫包含與Udacity的深度學習V7納米模板程序有關的材料。它由一堆用於各種深度學習主題的教程筆記本。在大多數情況下，筆記本電腦引導您實施諸如卷積網絡，經常性網絡和gans之類的模型。還有其他涵蓋的主題，例如重量初始化和批處理標準化。

還有一些筆記本作為納米式程序的項目。在計劃本身中，這些項目由真實的人（Udacity Reviewers）審查，但在此也可以使用。

目錄

教程

神經網絡簡介

• 神經網絡簡介：了解如何實施梯度下降並將其應用於預測學生錄取數據中的模式。
• 與Numpy：Andrew Trask的情感分析使您通過建立情感分析模型，預測某些文本是正面的還是負面的。
• Pytorch簡介：學習如何在Pytorch中構建神經網絡並使用預訓練的網絡進行最新的圖像分類器。

卷積神經網絡

• 卷積神經網絡：可視化組成CNN的層的輸出。了解如何定義和訓練CNN進行MNIST數據分類，MNIST數據是一個在機器和深度學習領域臭名昭著的手寫數字數據庫。另外，定義和訓練CNN以在CIFAR10數據集中對圖像進行分類。
• 轉移學習。實際上，大多數人不會在龐大的數據集上訓練自己的網絡；他們使用預先訓練的網絡，例如VGGNET。在這裡，您將使用VGGNET來幫助對花的圖像進行分類，而無需從頭開始訓練端到端網絡。
• 權重初始化：探索初始化網絡權重如何影響性能。
• 自動編碼器：使用Pytorch中的前饋和卷積網絡構建用於圖像壓縮和降低噪聲的模型。
• 樣式傳輸：使用預訓練的網絡從圖像中提取樣式和內容功能。根據論文實施樣式轉移，使用Gatys等人使用卷積神經網絡的圖像樣式轉移。 al。為迭代創建您自己的設計的目標，風格傳遞的圖像定義適當的損失！

復發性神經網絡

• 復發網絡的介紹（時間序列和字符級RNN）：循環神經網絡能夠使用有關數據順序的信息，例如文本中字符的順序；了解如何在Pytorch中實施這些任務。
• 嵌入（Word2Vec）：實現Word2Vec模型以找到用於自然語言處理的單詞的語義表示。
• 情感分析RNN：實施一個經常性的神經網絡，該網絡可以預測Moview Review的文本是正面的還是負面的。
• 注意：實施注意力並將其應用於註釋向量。

生成對抗網絡

• MNIST上的生成對抗網絡：在MNIST數據集上訓練一個簡單的生成對抗網絡。
• 分批歸一化：學習如何通過批准化來提高培訓率和網絡穩定性。
• 深卷積GAN（DCGAN）：實施DCGAN以基於Street View House編號（SVHN）數據集生成新圖像。
• Cyclegan：實施一個旨在從未配對和未標記數據中學習的CycleGAN；使用訓練有素的發電機將圖像從夏季到冬季轉換，反之亦然。

部署模型（與AWS SageMaker一起）

• 有關模型部署課程的所有練習和項目筆記本都可以在鏈接的GitHub Repo中找到。學習使用AWS SageMaker部署預訓練的模型。

專案

• 預測自行車共享模式：在Numpy實施神經網絡以預測自行車租賃。
• 狗品種分類器：與Pytorch建立卷積神經網絡，以將任何圖像（甚至是面部圖像）分類為特定的狗品種。
• 電視腳本生成：訓練一個經常性的神經網絡，以從Seinfeld的對話風格生成腳本。
• 面部生成：在Celeba數據集上使用DCGAN來生成新的和現實的人臉的圖像。

選修課

• TensorFlow的介紹：開始使用TensorFlow構建神經網絡。
• KERAS：學會與Keras建立神經網絡和卷積神經網絡。

---

依賴性

使用Anaconda配置和管理您的環境

根據Anaconda文檔：

Conda是一種開源軟件包管理系統和環境管理系統，用於安裝多個版本的軟件包及其依賴項，並在它們之間輕鬆切換。它在Linux，OS X和Windows上工作，是為Python程序創建的，但可以包裝和分發任何軟件。

概述

使用Anaconda包括以下內容：

1. 通過為您的操作系統選擇最新的Python版本，在計算機上安裝miniconda 。如果您已經安裝了conda或miniconda ，則應該可以跳過此步驟，然後繼續進行步驟2。
2. 創建並激活 *新的conda環境。

*每次您希望進行任何練習時，都會激活您的conda環境！

---

1。安裝

下載與您的系統匹配的最新版本的miniconda 。

	Linux	蘋果	視窗
64位	64位（bash安裝程序）	64位（bash安裝程序）	64位（EXE安裝程序）
32位	32位（Bash Installer）		32位（EXE安裝程序）

在機器上安裝Miniconda。詳細說明：

• 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。創建和激活環境

對於Windows用戶，與Windows終端窗口相比，需要從Anaconda提示下執行以下命令。對於Mac，普通的終端窗口將起作用。

git和版本控制

這些說明還假定您已安裝了git用於從終端窗口與GitHub合作，但是如果您不使用，則可以首先使用命令下載該：

 conda install git

如果您想了解有關版本控制的更多信息，並從命令行中使用git ，請查看我們的免費課程：使用git的版本控制。

現在，我們準備創建本地環境！

1. 克隆存儲庫，然後導航到下載的文件夾。由於隨附的圖像數據，這可能需要一兩分鐘才能克隆。

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

2. 創建（並激活）一個新的環境，稱為Python 3.6的deep-learning 。如果提示進行安裝(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
   

   此時，您的命令行應該看起來像：（ (deep-learning) <User>:deep-learning-v2-pytorch <user>$ 。 (deep-learning)表明您的環境已被激活，您可以進行進一步的包裝安裝。

3. 安裝Pytorch和Torchvision；這應該安裝最新版本的Pytorch。

   • Linux或Mac ：

    conda install pytorch torchvision -c pytorch 
   

   • Windows ：

    conda install pytorch -c pytorch
   pip install torchvision
   

4. 安裝一些必需的PIP軟件包，這些軟件包在需求文本文件（包括OpenCV）中指定。

 pip install -r requirements.txt

7. 就是這樣！

現在，大多數deep-learning庫都可以使用。有時，您會看到一個帶有附加需求文件的存儲庫，例如，如果您想使用TensorFlow和Keras。在這種情況下，鼓勵您將另一個庫安裝到現有環境中，或為特定項目創建新的環境。

現在，假設您的deep-learning環境仍在激活中，您可以導航到主要存儲庫並開始查看筆記本：

 cd
cd deep-learning-v2-pytorch
jupyter notebook

要在完成工作會話後退出環境，只需關閉終端窗口即可。