Deep Learning (with PyTorch)
This notebook repository now has a companion website, where all the course material can be found in video and textual format.
Getting started
To be able to follow the exercises, you are going to need a laptop with Miniconda (a minimal version of Anaconda) and several Python packages installed.The following instruction would work as is for Mac or Ubuntu Linux users, Windows users would need to install and work in the Git BASH terminal.
Download and install Miniconda
Please go to the Anaconda website.Download and install the latest Miniconda version for Python 3.7 for your operating system.
wget <http:// link to miniconda>
sh <miniconda*.sh>
Check-out the git repository with the exercise
Once Miniconda is ready, checkout the course repository and proceed with setting up the environment:
git clone https://github.com/Atcold/pytorch-Deep-Learning
Create isolated Miniconda environment
Change directory (cd) into the course folder, then type:
# cd pytorch-Deep-Learning
conda env create -f environment.yml
source activate pDL
Start Jupyter Notebook or JupyterLab
Start from terminal as usual:
jupyter lab
Or, for the classic interface:
jupyter notebook
Notebooks visualisation
Jupyter Notebooks are used throughout these lectures for interactive data exploration and visualisation.
We use dark styles for both GitHub and Jupyter Notebook.You should try to do the same, or they will look ugly.JupyterLab has a built-in selectable dark theme, so you only need to install something if you want to use the classic notebook interface.To see the content appropriately in the classic interface install the following:
- Jupyter Notebook dark theme;
- GitHub dark theme and comment out the
invert #fff to #181818code block.
-
一.一些小的注意事项 1.线性回归基本要素，即是深度学习基本要素 二.pytorch基本函数用法 1.torch.manual_seed(seed) 设定生成随机数的种子，并返回一个torch._C.Generator对象 参数：seed(int or long)种子 2.torch.normal(means,std,out=None) 返回一个张量，包含从给定参数means，std,的离散正态分
-
作者：吴茂贵，郁明敏，杨本法，李涛，张粤磊 著 出版社:机械工业出版社 品牌:机工出版 出版时间:2019-11-01 Python深度学习：基于PyTorch [Deep Learning with Python and PyTorch]
-
QQ Group: 428014259 Tencent E-mail：403568338@qq.com http://blog.csdn.net/dgyuanshaofeng/article/details/84076608 阅读的是PyTorch 0.4.1 0 torchvision.transforms 该类用于图像变换，以进行数据扩充，缓解深度模型过拟合问题。目前，其实有大量的专门的数据扩
-
Artificial Neural Networks Preparing MNIST dataset # Transform the data to torch tensors and normalize it transform = transforms.Compose([transforms.ToTensor(), transforms.Normalize((0.1307),
-
背景 开篇简单啰嗦几句，因为公司最近项目要从传统的机器学习模型（xgboost）切换到deep-learning，有幸也参与到deep-learning的学习开发中，目前也是一边理论一边实操，本文也是从零开始用pytorch写深度学习模型，希望也可以给正在入门学习的你一些参考，代码基本都有很详细的注释，其中很多思路也是参考了网上各种大神的文章，会放在文章最后供大家参考。 构建你的第一个深度学习模型
-
Deep Learning with Pytorch: A 60 Minute Blitz Neural Networks 神经网络 神经网络是使用 torch.nn 包构建的 现在我们对 autograd 有了一个初步的了解, nn 依赖 autograd 定义模型并且微分这些模型, 一个 nn.Module 包含神经网络的层, 和一个返回 output 的方法 forward(input).
-
最近需要使用PyTorch搭建模型，由于时间上比较宽松，所以找了本书学习了一下PyTorch的基本知识作为入门。选的书籍为《deep learning with pytorch》，这本书总体上分为三个部分： 第一部分介绍PyTorch的基本知识：预训练模型、基本数据结构、搭建神经网络、建立卷积神经网络；包含章节为 Chapter 1——Chapter 8； 第二部分使用PyTorch解决一
-
Deep Learning with Pytorch: A 60 Minute Blitz 训练一个分类器 我们已经看到了如何定义一个神经网络,计算代价值和更新这个网络的权值,你现在可能会想, 数据呢? 通常,当你处理图片、文本、声音或者视频数据的时候，你使用标准python package加载数据到 numpy array 的 python 包，然后你把array 转换成 torch.*Tens
-
PyTorch深度学习实践 读文档能力 理解架构能力 线性模型 训练集、开发集（模型评估）、测试集。 f ( x ) = w x + b f(x)=wx+b f(x)=wx+b loss —— 一个样本 cost (Mean Square Error) —— training set 梯度下降算法 局部最优，不一定全局最优。 鞍点：梯度为0，但无法继续迭代。 w = w − α ∂ c o s t
-
DEEP（Digital Enterprise End-to-end Platform）是由 AWS 支持的成本低，维护成本低的数字化平台。帮助企业开发人员提高工作效率。 使用DEEP Framework，开发人员可以立即使用： 简化的“类似于生产”的开发环境 使用微服务架构的企业级平台 零发展几乎无限的可扩展性（又名无服务器计算） 来自云提供商（例如AWS，GCP等）的Web服务的抽象使用
-
人工神经网络（ANN）是一种高效的计算系统，其中心主题借鉴了生物神经网络的类比。 神经网络是机器学习的一种模型。 在20世纪80年代中期和90年代初期，在神经网络中进行了许多重要的建筑改进。 在本章中，您将了解有关深度学习的更多信息，这是一种人工智能的方法。 深度学习源自十年来爆炸性的计算增长，成为该领域的一个重要竞争者。 因此，深度学习是一种特殊的机器学习，其算法受到人脑结构和功能的启发。 机器
-
本教程的前四章旨在为初学者提供IntelliJ的基本概述。 本节深入探讨了IntelliJ，并讨论了有关项目，其格式以及其他内容的更多信息。 了解项目 项目是您正在使用的应用程序或软件。 它可以包含多个模块，类，库，配置等。 它是层次结构中最顶层的元素。 了解模块 模块在“项目”下面有一个梯级。 模块是一个独立的实体，可以独立于其他模块进行编译，调试和运行。 单个项目可以包含多个模块。 您可以随时
-
deep-listening Deep learning experiments for audio classification A full write-up, including technical explanations and design decisions, as well as a summary of results achieved can be found within t
-
New books available for subscription Deep Diamond Adopt your pet function and become a patron. Deep Diamond is a Clojure library for fast tensors and neural network related computations based on the h
-
deep-clean A Kotlin script that nukes all build caches from Gradle/Android projects.Useful when Gradle or the IDE let you down �� �� h/t to @Takhion for the original idea, and to@holgerbrandl for KScr