/Dive-Into-Deep-Learning-PyTorch-PDF

本项目对中文版《动手学深度学习》中的代码进行了整理

Primary LanguageJupyter NotebookGNU General Public License v3.0GPL-3.0

Dive-Into-Deep-Learning-PyTorch-PDF

封面

简介

  本项目对中文版《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,我们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说明,除此之外还增加了语义分割网络(U-Net)的实现。书籍百度云链接:https://pan.baidu.com/s/1l8yDHVcB0FXPLH1nL542xA 密码:euqd
  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

参考

本书PyTorch实现:Dive-into-DL-PyTorch
本书TendorFlow2.0实现:Dive-into-DL-TensorFlow2.0

原书地址

中文版:动手学深度学习 | Github仓库
English Version: Dive into Deep Learning | Github Repo

引用

如果您在研究中使用了这个项目请引用原书:

@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}
}