【深度学习】李沐《动手学深度学习》的PyTorch实现已完成

这个项目是中文版《动手学深度学习》中的代码进行整理，用Pytorch实现，是目前全网最全的Pytorch版本。

项目作者：吴振宇博士

简介

  Dive-Into-Deep-Learning-PyTorch-PDF这个项目对中文版《动手学深度学习》中的代码进行整理，并参考一些优秀的GitHub项目给出基于PyTorch的实现方法。为了方便阅读，本项目给出全书PyTorch版的PDF版本。欢迎大家Download，Star，Fork。除了原书内容外，我还为每一章增加了本章附录，用于对该章节中用到的函数以及数学计算加以详细说明，除此之外还增加了语义分割网络（U-Net）的实现，是目前全网最完整的版本。

项目地址为：https://github.com/wzy6642/Dive-Into-Deep-Learning-PyTorch-PDF。

  项目中包含的文件夹有：

code：用于对书中每一章的代码进行整理，

data：给出书中用到数据的百度云链接，

pdf：存放《动手学深度学习》PyTorch版的PDF版本。

  原书作者：阿斯顿·张、李沐、扎卡里 C. 立顿、亚历山大 J. 斯莫拉以及其他社区贡献者。

目录

  • 1. 预备知识
    • 1.1 数据操作
    • 1.2 自动求梯度
    • 1.3 查阅文档
    • 1.4 本章附录
  • 2. 深度学习基础
    • 2.1 线性回归
    • 2.2 线性回归的从零开始实现
    • 2.3 线性回归的简洁实现
    • 2.4 softmax回归
    • 2.5 图像分类数据集（Fashion-MNIST）
    • 2.6 softmax回归的从零开始实现
    • 2.7 softmax回归的简洁实现
    • 2.8 多层感知机
    • 2.9 多层感知机的从零开始实现
    • 2.10 多层感知机的简洁实现
    • 2.11 模型选择、欠拟合和过拟合
    • 2.12 权重衰减
    • 2.13 丢弃法
    • 2.14 正向传播、反向传播和计算图
    • 2.15 数值稳定性和模型初始化
    • 2.16 实战Kaggle比赛：房价预测
    • 2.17 本章附录
  • 3. 深度学习计算
    • 3.1 模型构造
    • 3.2 模型参数的访问、初始化和共享
    • 3.3 自定义层
    • 3.4 读取和存储
    • 3.5 GPU计算
    • 3.6 本章附录
  • 4. 卷积神经网络
    • 4.1 二维卷积层
    • 4.2 填充和步幅
    • 4.3 多输入通道和多输出通道
    • 4.4 池化层
    • 4.5 卷积神经网络（LeNet）
    • 4.6 深度卷积神经网络（AlexNet）
    • 4.7 使用重复元素的网络（VGG）
    • 4.8 网络中的网络（NiN）
    • 4.9 含并行连结的网络（GoogLeNet）
    • 4.10 批量归一化
    • 4.11 残差网络（ResNet）
    • 4.12 稠密连接网络（DenseNet）
    • 4.13 本章附录
  • 5. 循环神经网络
    • 5.1 语言模型
    • 5.2 循环神经网络
    • 5.3 语言模型数据集（周杰伦专辑歌词）
    • 5.4 循环神经网络的从零开始实现
    • 5.5 循环神经网络的简洁实现
    • 5.6 通过时间反向传播
    • 5.7 门控循环单元（GRU）
    • 5.8 长短期记忆（LSTM）
    • 5.9 深度循环神经网络
    • 5.10 双向循环神经网络
    • 5.11 本章附录
  • 6. 优化算法
    • 6.1 优化与深度学习
    • 6.2 梯度下降和随机梯度下降
    • 6.3 小批量随机梯度下降
    • 6.4 动量法
    • 6.5 AdaGrad算法
    • 6.6 RMSProp算法
    • 6.7 AdaDelta算法
    • 6.8 Adam算法
    • 6.9 本章附录
  • 7. 计算性能
    • 7.1 命令式和符号式混合编程
    • 7.2 自动并行计算
    • 7.3 多GPU计算
    • 7.4 本章附录
  • 8. 计算机视觉
    • 8.1 图像增广
    • 8.2 微调
    • 8.3 目标检测和边界框
    • 8.4 锚框
    • 8.5 多尺度目标检测
    • 8.6 目标检测数据集（皮卡丘）
    • 8.7 单发多框检测（SSD）
    • 8.8 区域卷积神经网络（R-CNN）系列
    • 8.9 语义分割和数据集
    • 8.10 全卷积网络（FCN）
    • 8.11 样式迁移
    • 8.12 实战Kaggle比赛：图像分类（CIFAR-10）
    • 8.13 实战Kaggle比赛：狗的品种识别（ImageNet Dogs）
    • 8.14 语义分割网络（U-Net）
    • 8.15 本章附录
  • 9. 自然语言处理
    • 9.1 词嵌入（word2vec）
    • 9.2 近似训练
    • 9.3 word2vec的实现
    • 9.4 子词嵌入（fastText）
    • 9.5 全局向量的词嵌入（GloVe）
    • 9.6 求近义词和类比词
    • 9.7 文本情感分类：使用循环神经网络
    • 9.8 文本情感分类：使用卷积神经网络（textCNN）
    • 9.9 编码器—解码器（seq2seq）
    • 9.10 束搜索
    • 9.11 注意力机制
    • 9.12 机器翻译
    • 9.13 本章附录

环境

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

致谢

赞 (0)

相关推荐