Dive-Into-Deep-Learning-PyTorch-PDF

簡介

??本項目對中文版《動手學深度學習》中的代碼進行整理，并參考一些優秀的GitHub項目給出基于PyTorch的實現方法。為了方便閱讀，本項目給出全書PyTorch版的PDF版本。歡迎大家Download，Star，Fork。除了原書內容外，我們還為每一章增加了本章附錄，用于對該章節中用到的函數以及數學計算加以說明，除此之外還增加了語義分割網絡（U-Net）的實現。GitHub鏈接為https://github.com/wzy6642/Dive-Into-Deep-Learning-PyTorch-PDF。

目錄

• 1. 預備知識
  • 1.1 數據操作
  • 1.2 自動求梯度
  • 1.3 查閱文檔
  • 1.4 本章附錄
• 2. 深度學習基礎
  • 2.1 線性回歸
  • 2.2 線性回歸的從零開始實現
  • 2.3 線性回歸的簡潔實現
  • 2.4 softmax回歸
  • 2.5 圖像分類數據集（Fashion-MNIST）
  • 2.6 softmax回歸的從零開始實現
  • 2.7 softmax回歸的簡潔實現
  • 2.8 多層感知機
  • 2.9 多層感知機的從零開始實現
  • 2.10 多層感知機的簡潔實現
  • 2.11 模型選擇、欠擬合和過擬合
  • 2.12 權重衰減
  • 2.13 丟棄法
  • 2.14 正向傳播、反向傳播和計算圖
  • 2.15 數值穩定性和模型初始化
  • 2.16 實戰Kaggle比賽：房價預測
  • 2.17 本章附錄
• 3. 深度學習計算
  • 3.1 模型構造
  • 3.2 模型參數的訪問、初始化和共享
  • 3.3 自定義層
  • 3.4 讀取和存儲
  • 3.5 GPU計算
  • 3.6 本章附錄
• 4. 卷積神經網絡
  • 4.1 二維卷積層
  • 4.2 填充和步幅
  • 4.3 多輸入通道和多輸出通道
  • 4.4 池化層
  • 4.5 卷積神經網絡（LeNet）
  • 4.6 深度卷積神經網絡（AlexNet）
  • 4.7 使用重復元素的網絡（VGG）
  • 4.8 網絡中的網絡（NiN）
  • 4.9 含并行連結的網絡（GoogLeNet）
  • 4.10 批量歸一化
  • 4.11 殘差網絡（ResNet）
  • 4.12 稠密連接網絡（DenseNet）
  • 4.13 本章附錄
• 5. 循環神經網絡
  • 5.1 語言模型
  • 5.2 循環神經網絡
  • 5.3 語言模型數據集（周杰倫專輯歌詞）
  • 5.4 循環神經網絡的從零開始實現
  • 5.5 循環神經網絡的簡潔實現
  • 5.6 通過時間反向傳播
  • 5.7 門控循環單元（GRU）
  • 5.8 長短期記憶（LSTM）
  • 5.9 深度循環神經網絡
  • 5.10 雙向循環神經網絡
  • 5.11 本章附錄
• 6. 優化算法
  • 6.1 優化與深度學習
  • 6.2 梯度下降和隨機梯度下降
  • 6.3 小批量隨機梯度下降
  • 6.4 動量法
  • 6.5 AdaGrad算法
  • 6.6 RMSProp算法
  • 6.7 AdaDelta算法
  • 6.8 Adam算法
  • 6.9 本章附錄
• 7. 計算性能
  • 7.1 命令式和符號式混合編程
  • 7.2 自動并行計算
  • 7.3 多GPU計算
  • 7.4 本章附錄
• 8. 計算機視覺
  • 8.1 圖像增廣
  • 8.2 微調
  • 8.3 目標檢測和邊界框
  • 8.4 錨框
  • 8.5 多尺度目標檢測
  • 8.6 目標檢測數據集（皮卡丘）
  • 8.7 單發多框檢測（SSD）
  • 8.8 區域卷積神經網絡（R-CNN）系列
  • 8.9 語義分割和數據集
  • 8.10 全卷積網絡（FCN）
  • 8.11 樣式遷移
  • 8.12 實戰Kaggle比賽：圖像分類（CIFAR-10）
  • 8.13 實戰Kaggle比賽：狗的品種識別（ImageNet Dogs）
  • 8.14 語義分割網絡（U-Net）
  • 8.15 本章附錄
• 9. 自然語言處理
  • 9.1 詞嵌入（word2vec）
  • 9.2 近似訓練
  • 9.3 word2vec的實現
  • 9.4 子詞嵌入（fastText）
  • 9.5 全局向量的詞嵌入（GloVe）
  • 9.6 求近義詞和類比詞
  • 9.7 文本情感分類：使用循環神經網絡
  • 9.8 文本情感分類：使用卷積神經網絡（textCNN）
  • 9.9 編碼器—解碼器（seq2seq）
  • 9.10 束搜索
  • 9.11 注意力機制
  • 9.12 機器翻譯
  • 9.13 本章附錄

環境

matplotlib==3.3.2
torch==1.1.0
torchvision==0.3.0
torchtext==0.4.0
CUDA Version==11.0

參考

本書PyTorch實現：Dive-into-DL-PyTorch
本書TendorFlow2.0實現：Dive-into-DL-TensorFlow2.0

原書地址

中文版：動手學深度學習 | Github倉庫
English Version: Dive into Deep Learning | Github Repo

引用

如果您在研究中使用了這個項目請引用原書:

@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={2020} }

總結

以上是生活随笔為你收集整理的《动手学深度学习》PyTorch版本的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。