19.5K ·GitHub
Что это такое?
Китайская книга «Dive into Deep Learning» («Погружение в глубокое обучение»), в которой примеры кода из оригинала на MXNet переписаны под PyTorch. Это бесплатный open-source учебник по глубокому обучению: к каждой главе прилагается работающий Jupyter-ноутбук, а сам текст доступен онлайн.
Китайская книга «Dive into Deep Learning» («Погружение в глубокое обучение»), в которой примеры кода из оригинала на MXNet переписаны под PyTorch. Это бесплатный open-source учебник по глубокому обучению: к каждой главе прилагается работающий Jupyter-ноутбук, а сам текст доступен онлайн.Это книга, которую просто читаю, или библиотека, которую подключаю к своему коду?Это учебник вместе с его кодом: в папке docs/ главы лежат в формате markdown (сайт работает через docsify на GitHub Pages), в code/ для каждой главы есть PyTorch-ноутбук, а в data/ лежат наборы данных.
Это учебник вместе с его кодом: в папке docs/ главы лежат в формате markdown (сайт работает через docsify на GitHub Pages), в code/ для каждой главы есть PyTorch-ноутбук, а в data/ лежат наборы данных.Как мне этим пользоваться на практике?Читать на сайте GitHub Pages — это проще всего, потому что markdown на GitHub не отображает LaTeX-формулы из книги. Чтобы запустить код, склонируйте репозиторий и откройте ноутбуки в папке code/. Читать офлайн можно через docsify-cli или Docker-образ 'd2dl'.
Читать на сайте GitHub Pages — это проще всего, потому что markdown на GitHub не отображает LaTeX-формулы из книги. Чтобы запустить код, склонируйте репозиторий и откройте ноутбуки в папке code/. Читать офлайн можно через docsify-cli или Docker-образ 'd2dl'.Мне уже нужно разбираться в машинном обучении, чтобы всё понять?Нет — знание машинного или глубокого обучения не предполагается. Достаточно базовой линейной алгебры, дифференцирования, теории вероятностей и Python, а для чтения веб-версии ничего устанавливать не нужно.
Нет — знание машинного или глубокого обучения не предполагается. Достаточно базовой линейной алгебры, дифференцирования, теории вероятностей и Python, а для чтения веб-версии ничего устанавливать не нужно.Книга полностью дописана или каких-то частей ещё не хватает?Большинство глав готовы, но несколько разделов по компьютерному зрению в README остались непройденными — SSD, семантическая сегментация, FCN, перенос стиля и разборы соревнований Kaggle по CIFAR-10 и ImageNet Dogs, — так что выглядят они незавершёнными.
Большинство глав готовы, но несколько разделов по компьютерному зрению в README остались непройденными — SSD, семантическая сегментация, FCN, перенос стиля и разборы соревнований Kaggle по CIFAR-10 и ImageNet Dogs, — так что выглядят они незавершёнными.Какие темы раскрывает книга?Десять глав: основы глубокого обучения (линейная регрессия, softmax, многослойный перцептрон, переобучение), построение моделей и вычисления на GPU, свёрточные сети от LeNet до ResNet и DenseNet, рекуррентные сети с GRU и LSTM, алгоритмы оптимизации вплоть до Adam, а также компьютерное зрение (детектирование, сегментация, перенос стиля) и обработка естественного языка (word2vec, seq2seq, механизм внимания, машинный перевод).
Десять глав: основы глубокого обучения (линейная регрессия, softmax, многослойный перцептрон, переобучение), построение моделей и вычисления на GPU, свёрточные сети от LeNet до ResNet и DenseNet, рекуррентные сети с GRU и LSTM, алгоритмы оптимизации вплоть до Adam, а также компьютерное зрение (детектирование, сегментация, перенос стиля) и обработка естественного языка (word2vec, seq2seq, механизм внимания, машинный перевод).Там есть практика или сплошная теория?Упор на практику: к каждой главе прилагаются работающие PyTorch-ноутбуки, а книга проводит вас через настоящие соревнования Kaggle — предсказание цен на дома, классификация изображений CIFAR-10 и определение пород собак по ImageNet.
Упор на практику: к каждой главе прилагаются работающие PyTorch-ноутбуки, а книга проводит вас через настоящие соревнования Kaggle — предсказание цен на дома, классификация изображений CIFAR-10 и определение пород собак по ImageNet.Какие наборы данных используются в упражнениях?Небольшие классические датасеты, которые можно обучать где угодно: Fashion-MNIST для классификации изображений, датасет с Пикачу для детектирования объектов и тексты песен из альбомов Jay Chou для глав про языковые модели и RNN.
Небольшие классические датасеты, которые можно обучать где угодно: Fashion-MNIST для классификации изображений, датасет с Пикачу для детектирования объектов и тексты песен из альбомов Jay Chou для глав про языковые модели и RNN.У оригинальной книги есть и английское издание — этот репозиторий мне подойдёт?Этот репозиторий повторяет китайское издание, поэтому текст там на китайском. В README отмечено, что издания различаются, и тем, кому нужна версия на PyTorch по английскому изданию, предлагается отдельный репозиторий.
Этот репозиторий повторяет китайское издание, поэтому текст там на китайском. В README отмечено, что издания различаются, и тем, кому нужна версия на PyTorch по английскому изданию, предлагается отдельный репозиторий.What are similar projects?DeepLearning, pytorch-handbook, pytorch-tutorial, d2l-en, deep-learning-for-image-processing, nndl, deep-learning-with-python-notebooks, fastbook
DeepLearning, pytorch-handbook, pytorch-tutorial, d2l-en, deep-learning-for-image-processing, nndl, deep-learning-with-python-notebooks, fastbookWhich topics is it in?word2vec, kaggle, deep-learning-tutorial, textbook, cnn, attention-mechanism, neural-networks, natural-language-processing, jupyter notebook, book, computer-vision, learning-resources
word2vec, kaggle, deep-learning-tutorial, textbook, cnn, attention-mechanism, neural-networks, natural-language-processing, jupyter notebook, book, computer-vision, learning-resources