Dive-into-DL-Pytorch.PDF

Python语言基础

下载此实例

开发语言：Python
实例大小：33.45M
下载次数：27
浏览次数：332
发布时间：2021-01-24
实例类别：Python语言基础
发布人：breezewrf
文件格式：.pdf
所需积分：4

实例介绍

[下载地址]

【实例简介】

动手学习深度学习——pytorch版本

【实例截图】

【核心代码】

动⼿学深度学习 Pytorch 版(demo)
深度学习简介
起源
发展
成功案例
特点
⼩结
练习
参考⽂献
1 环境配置
1.1 Anaconda
1.2 Jupyter
1.3 PyTorch
1.4 其他
2 数据操作
2.1 创建 Tensor
2.2 操作
算术操作
索引
改变形状
线性代数
2.3 ⼴播机制
2.4 运算的内存开销
2.5 Tensor 和NumPy相互转换
Tensor 转NumPy
NumPy数组转 Tensor
2.6 Tensor on GPU
3 ⾃动求梯度
3.1 概念
3.2 Tensor
3.2 梯度
1 线性回归
1.1 线性回归的基本要素
1.1.1 模型定义
1.1.2 模型训练
(1) 训练数据
(2) 损失函数
(3) 优化算法
1.1.3 模型预测
1.2 线性回归的表示⽅法
1.2.1 神经⽹络图
1.2.2 ⽮量计算表达式
⼩结
2 线性回归的从零开始实现
2.1 ⽣成数据集
2.2 读取数据
2.3 初始化模型参数
2.4 定义模型
2.5 定义损失函数
2.6 定义优化算法
2.7 训练模型
⼩结
3 线性回归的简洁实现
3.1 ⽣成数据集
3.2 读取数据
3.3 定义模型
3.4 初始化模型参数
3.5 定义损失函数
3.6 定义优化算法
3.7 训练模型
⼩结
4 softmax回归
4.1 分类问题
4.2 softmax回归模型
4.3 单样本分类的⽮量计算表达式
4.4 ⼩批量样本分类的⽮量计算表达式
4.5 交叉熵损失函数
4.6 模型预测及评价
⼩结
5 图像分类数据集（Fashion-MNIST）
5.1 获取数据集
5.2 读取⼩批量
⼩结
参考⽂献
6 softmax回归的从零开始实现
6.1 获取和读取数据
6.2 初始化模型参数
6.3 实现softmax运算
6.4 定义模型
6.5 定义损失函数
6.6 计算分类准确率
6.7 训练模型
6.8 预测
⼩结
7 softmax回归的简洁实现
7.1 获取和读取数据
7.2 定义和初始化模型
7.3 softmax和交叉熵损失函数
7.4 定义优化算法
7.5 训练模型
⼩结
8 多层感知机
8.1 隐藏层
8.2 激活函数
8.2.1 ReLU函数
8.2.2 sigmoid函数
8.2.3 tanh函数
8.3 多层感知机
⼩结
9 多层感知机的从零开始实现
9.1 获取和读取数据
9.2 定义模型参数
9.3 定义激活函数
9.4 定义模型
9.5 定义损失函数
9.6 训练模型
⼩结
10 多层感知机的简洁实现
10.1 定义模型
10.2 读取数据并训练模型
⼩结
11 模型选择、⽋拟合和过拟合
11.1 训练误差和泛化误差
11.2 模型选择
11.2.1 验证数据集
11.2.3 折交叉验证
11.3 ⽋拟合和过拟合
11.3.1 模型复杂度
11.3.2 训练数据集⼤⼩
11.4 多项式函数拟合实验
11.4.1 ⽣成数据集
11.4.2 定义、训练和测试模型
11.4.3 三阶多项式函数拟合（正常）
11.4.4 线性函数拟合（⽋拟合）
11.4.5 训练样本不⾜（过拟合）
⼩结
12 权重衰减
12.1 ⽅法
12.2 ⾼维线性回归实验
12.3 从零开始实现
12.3.1 初始化模型参数
12.3.2 定义 范数惩罚项
12.3.3 定义训练和测试
12.3.4 观察过拟合
12.3.5 使⽤权᯿衰减
12.4 简洁实现
⼩结
13 丢弃法
13.1 ⽅法
13.2 从零开始实现
13.2.1 定义模型参数
13.2.2 定义模型
13.2.3 训练和测试模型
13.3 简洁实现
⼩结
参考⽂献
14 正向传播、反向传播和计算图
14.1 正向传播
14.2 正向传播的计算图
14.3 反向传播
14.4 训练深度学习模型
⼩结
15 数值稳定性和模型初始化
15.1 衰减和爆炸
15.2 随机初始化模型参数
15.2.1 PyTorch的默认随机初始化
15.2.2 Xavier随机初始化
⼩结
参考⽂献
16 实战Kaggle⽐赛：房价预测
16.1 Kaggle⽐赛
16.2 获取和读取数据集
16.3 预处理数据
16.4 训练模型
16.5 折交叉验证
16.6 模型选择
16.7 预测并在Kaggle提交结果
⼩结
1 模型构造
1.1 继承 Module 类来构造模型
1.2 Module 的⼦类
1.2.1 Sequential 类
1.2.2 ModuleList 类
1.2.3 ModuleDict 类
1.3 构造复杂的模型
⼩结
2 模型参数的访问、初始化和共享
2.1 访问模型参数
2.2 初始化模型参数
2.3 ⾃定义初始化⽅法
2.4 共享模型参数
⼩结
3 模型参数的延后初始化
4 ⾃定义层
4.1 不含模型参数的⾃定义层
4.2 含模型参数的⾃定义层
⼩结
5 读取和存储
5.1 读写 Tensor
5.2 读写模型
5.2.1 state_dict
5.2.2 保存和加载模型
保存和加载 state_dict (推荐⽅式)
保存和加载整个模型
⼩结
6 GPU计算
6.1 计算设备
6.2 Tensor 的GPU计算
6.3 模型的GPU计算
⼩结
1 ⼆维卷积层
1.1 ⼆维互相关运算
1.2 ⼆维卷积层
1.3 图像中物体边缘检测
1.4 通过数据学习核数组
1.5 互相关运算和卷积运算
1.6 特征图和感受ᰀ
⼩结
2 填充和步幅
2.1 填充
2.2 步幅
⼩结
3 多输⼊通道和多输出通道
3.1 多输⼊通道
3.2 多输出通道
3.3 卷积层
⼩结
4 池化层
4.1 ⼆维最⼤池化层和平均池化层
4.2 填充和步幅
4.3 多通道
⼩结
5 卷积神经⽹络（LeNet）
5.1 LeNet模型
5.2 获取数据和训练模型
⼩结
参考⽂献
6 深度卷积神经⽹络（AlexNet）
6.1 学习特征表示
6.1.1 缺失要素⼀：数据
6.1.2 缺失要素⼆：硬件
6.2 AlexNet
6.3 读取数据
6.4 训练
⼩结
参考⽂献
7 使⽤重复元素的⽹络（VGG）
7.1 VGG块
7.2 VGG⽹络
7.3 获取数据和训练模型
⼩结
参考⽂献
8 ⽹络中的⽹络（NiN）
8.1 NiN块
8.2 NiN模型
8.3 获取数据和训练模型
⼩结
参考⽂献
9 含并⾏连结的⽹络（GoogLeNet）
9.1 Inception 块
9.2 GoogLeNet模型
9.3 获取数据和训练模型
⼩结
参考⽂献
10 批量归⼀化
10.1 批量归⼀化层
10.1.1 对全连接层做批量归⼀化
10.1.2 对卷积层做批量归⼀化
10.1.3 预测时的批量归⼀化
10.2 从零开始实现
10.2.1 使⽤批量归⼀化层的LeNet
10.3 简洁实现
⼩结
参考⽂献
11 残差⽹络（ResNet）
11.2 残差块
11.2 ResNet模型
11.3 获取数据和训练模型
⼩结
参考⽂献
12 稠密连接⽹络（DenseNet）
12.1 稠密块
12.2 过渡层
12.3 DenseNet模型
12.4 获取数据并训练模型
⼩结
参考⽂献
1 语⾔模型
1.1 语⾔模型的计算
1.2 元语法
⼩结
2 循环神经⽹络
2.1 不含隐藏状态的神经⽹络
2.2 含隐藏状态的循环神经⽹络
2.3 应⽤：基于字符级循环神经⽹络的语⾔模型
⼩结
3 语⾔模型数据集（周杰伦专辑歌词）
3.1 读取数据集
3.2 建⽴字符索引
3.3 时序数据的采样
3.3.1 随机采样
3.3.2 相邻采样
⼩结
4 循环神经⽹络的从零开始实现
4.1 one-hot向量
4.2 初始化模型参数
4.3 定义模型
4.4 定义预测函数
4.5 裁剪梯度
4.6 困惑度
4.7 定义模型训练函数
4.8 训练模型并创作歌词
⼩结
5 循环神经⽹络的简洁实现
5.1 定义模型
5.2 训练模型
⼩结
6 通过时间反向传播
6.1 定义模型
6.2 模型计算图
6.3 ⽅法
⼩结
7 ⻔控循环单元（GRU）
7.1 ⻔控循环单元
7.1.1 ᯿置⻔和更新⻔
7.1.2 候选隐藏状态
7.1.3 隐藏状态
7.2 读取数据集
7.3 从零开始实现
7.3.1 初始化模型参数
7.3.2 定义模型
7.3.3 训练模型并创作歌词
7.4 简洁实现
⼩结
参考⽂献
8 ⻓短期记忆（LSTM）
8.1 ⻓短期记忆
8.1.1 输⼊⻔、遗忘⻔和输出⻔
8.1.2 候选记忆细胞
8.1.3 记忆细胞
8.1.4 隐藏状态
8.2 读取数据集
8.3 从零开始实现
8.3.1 初始化模型参数
8.4 定义模型
8.4.1 训练模型并创作歌词
8.5 简洁实现
⼩结
参考⽂献
9 深度循环神经⽹络
⼩结
10 双向循环神经⽹络
⼩结
1 优化与深度学习
1.1 优化与深度学习的关系
1.2 优化在深度学习中的挑战
1.2.1 局部最⼩值
1.2.2 鞍点
⼩结
参考⽂献
2 梯度下降和随机梯度下降
2.1 ⼀维梯度下降
2.2 学习率
2.3 多维梯度下降
2.4 随机梯度下降
⼩结
参考⽂献
3 ⼩批量随机梯度下降
3.1 读取数据
3.2 从零开始实现
3.3 简洁实现
⼩结
参考⽂献
4 动量法
4.1 梯度下降的问题
4.2 动量法
4.2.1 指数加权移动平均
4.2.2 由指数加权移动平均理解动量法
4.3 从零开始实现
4.4 简洁实现
⼩结
5 AdaGrad算法
5.1 算法
5.2 特点
5.3 从零开始实现
5.4 简洁实现
⼩结
参考⽂献
6 RMSProp算法
6.1 算法
6.2 从零开始实现
6.3 简洁实现
⼩结
参考⽂献
7 AdaDelta算法
7.1 算法
7.2 从零开始实现
7.3 简洁实现
⼩结
参考⽂献
8 Adam算法
8.1 算法
8.2 从零开始实现
8.3 简洁实现
⼩结
参考⽂献
1 命令式和符号式混合编程
1.1 混合式编程取两者之⻓
2 异步计算
3 ⾃动并⾏计算
4 多GPU计算
4.1 多GPU计算
4.2 多GPU模型的保存与加载
1 图像增⼴
1.1 常⽤的图像增⼴⽅法
1.1.1 翻转和裁剪
1.1.2 变化颜⾊
1.1.3 叠加多个图像增⼴⽅法
1.2 使⽤图像增⼴训练模型
1.2.1 使⽤图像增⼴训练模型
⼩结
2 微调
2.1 热狗识别
2.1.1 获取数据集
2.1.2 定义和初始化模型
2.1.3 微调模型
⼩结
3 ⽬标检测和边界框
3.1 边界框
⼩结
4 锚框
4.1 ⽣成多个锚框
4.2 交并⽐
4.3 标注训练集的锚框
4.4 输出预测边界框
⼩结
练习
1 词嵌⼊（word2vec）
1.1 为何不采⽤one-hot向量
1.2 跳字模型
1.2.1 训练跳字模型
1.3 连续词袋模型
1.3.1 训练连续词袋模型
⼩结
参考⽂献
2 近似训练
2.1 负采样
2.2 层序softmax
⼩结
3 word2vec的实现
3.1 处理数据集
3.1.1 建⽴词语索引
3.1.2 ⼆次采样
3.1.3 提取中⼼词和背景词
3.2 负采样
3.3 读取数据
3.4 跳字模型
3.4.1 嵌⼊层
3.4.2 ⼩批量乘法
3.4.3 跳字模型前向计算
3.5 训练模型
3.5.1 ⼆元交叉熵损失函数
3.5.2 初始化模型参数
3.5.3 定义训练函数
3.6 应⽤词嵌⼊模型
⼩结
参考⽂献
4 ⼦词嵌⼊（fastText）
⼩结
参考⽂献
5 全局向量的词嵌⼊（GloVe）
5.1 GloVe模型
5.2 从条件概率⽐值理解GloVe模型
⼩结
参考⽂献
6 求近义词和类⽐词
6.1 使⽤预训练的词向量
6.2 应⽤预训练词向量
6.2.1 求近义词
6.2.2 求类⽐词
⼩结
参考⽂献
7 ⽂本情感分类：使⽤循环神经⽹络
7.1 ⽂本情感分类数据
7.1.1 读取数据
7.1.2 预处理数据
7.1.3 创建数据迭代器
7.2 使⽤循环神经⽹络的模型
7.2.1 加载预训练的词向量
7.2.2 训练并评价模型
⼩结
参考⽂献
8 ⽂本情感分类：使⽤卷积神经⽹络（textCNN）
8.1 ⼀维卷积层
8.2 时序最⼤池化层
8.3 读取和预处理IMDb数据集
8.4 textCNN模型
8.4.1 加载预训练的词向量
8.4.2 训练并评价模型
⼩结
参考⽂献
9 编码器—解码器（seq2seq）
9.1 编码器
9.2 解码器
9.3 训练模型
⼩结
参考⽂献
10 束搜索
10.1 贪婪搜索
10.2 穷举搜索
10.3 束搜索
⼩结
11 注意⼒机制
11.1 计算背景变量
11.1.1 ⽮量化计算
11.2 更新隐藏状态
11.3 发展
⼩结
参考⽂献
12 机器翻译
12.1 读取和预处理数据
12.2 含注意⼒机制的编码器—解码器
12.2.1 编码器
12.2.2 注意⼒机制
12.2.3 含注意⼒机制的解码器
12.3 训练模型
12.4 预测不定⻓的序列
12.5 评价翻译结果
⼩结
参考⽂献
图1.1 在中世纪，16名男⼦的平均脚⻓被⽤来估计男⼦的平均脚⻓

标签： PyTorch ORC div py

实例下载地址

Dive-into-DL-Pytorch.PDF

点此下载实例

不能下载？内容有错？点击这里报错 + 投诉 + 提问

好例子网口号：伸出你的我的手 — 分享！

网友评论

我要评论

小贴士

感谢您为本站写下的评论，您的评论对其它用户来说具有重要的参考价值，所以请认真填写。

类似“顶”、“沙发”之类没有营养的文字，对勤劳贡献的楼主来说是令人沮丧的反馈信息。
相信您也不想看到一排文字/表情墙，所以请不要反馈意义不大的重复字符，也请尽量不要纯表情的回复。
提问之前请再仔细看一遍楼主的说明，或许是您遗漏了。
请勿到处挖坑绊人、招贴广告。既占空间让人厌烦，又没人会搭理，于人于己都无利。

关于好例子网

本站旨在为广大IT学习爱好者提供一个非营利性互相学习交流分享平台。本站所有资源都可以被免费获取学习研究。本站资源来自网友分享，对搜索内容的合法性不具有预见性、识别性、控制性，仅供学习研究，请务必在下载后24小时内给予删除，不得用于其他任何用途，否则后果自负。基于互联网的特殊性，平台无法对用户传输的作品、信息、内容的权属或合法性、安全性、合规性、真实性、科学性、完整权、有效性等进行实质审查；无论平台是否已进行审查，用户均应自行承担因其传输的作品、信息、内容而可能或已经产生的侵权或权属纠纷等法律责任。本站所有资源不代表本站的观点或立场，基于网友分享，根据中国法律《信息网络传播权保护条例》第二十二与二十三条之规定，若资源存在侵权或相关问题请联系本站客服人员，点此联系我们。关于更多版权及免责申明参见版权及免责申明

Dive-into-DL-Pytorch.PDF

同类人气实例

实例介绍

实例下载地址

Dive-into-DL-Pytorch.PDF

相关软件

相关文章

网友评论

小贴士

关于好例子网

下载周排行

下载总排行