《动手学深度学习》中文版2.0beta版发布

本文涉及的产品
NLP自然语言处理_基础版,每接口每天50万次
NLP 自学习平台,3个模型定制额度 1个月
NLP自然语言处理_高级版,每接口累计50万次
简介: 《动手学深度学习》中文版2.0beta版发布

2020年疫情刚开始的时候,《动手学深度学习》的英文版相较中文版已经多出不少内容了。我们书第一版的不少老读者表示,疫情在家虽然想学习,但第一版早就刷完,于是只好刷阿信和小抖。沐神和我的第一反应是:


这样对眼睛不好。


于是不等英文版完成,我们就立即发起中文版2.0的项目。具体来说:


  • 我们继续在英文版添加新内容和改进已有内容。


  • 何孝霆与Rachel(瑞潮儿)两位主力选手和d2l-ai/d2l-zh GitHub社区众多小伙伴共同努力,不断将英文版的最新内容同步到中文版,包括PyTorch和TensorFlow的实现。


  • 沐神牺牲宝贵的带娃时间,基于不断更新的中文版内容每周直播教学(李沐:动手学深度学习PyTorch篇直播总结)


虽然疫情还没有过去,但我们在今天终于可以发布**《动手学深度学习》中文版2.0beta版了**!大家可以访问zh.d2l.ai 或者 zh-v2.d2l.ai :


3d374e1e0d593e4e3400ca95c3573f9f.pngd07445ab230d1b67ed1a4bdb9d7e70d5.pngf3a347b299c80762e4656c50bebb8964.png



第一版的内容已移至 zh-v1.d2l.ai


在中文版2.0版项目的进程中,我们发现机器学习不少术语的中文翻译在不同著作中不一致。本着严谨的态度,我们和周志华、李航、邱锡鹏三位老师进行了数周的讨论。最终,机器之心的小伙伴们精心整理了一份中英文术语对照表,并将它开源。中文版2.0版参考了这些术语翻译,例如 dropout -> 暂退法, robustness -> 稳健性:


2734a53dab07f82e5c75f8395fe42f05.png


主要特点



该版本为《动手学深度学习》2.0.0-beta版(中文第二版的预览版)。


主要改进



  • 丰富并修订了第一版第十章“自然语言处理”内容,并分为“自然语言处理:预训练”和“自然语言处理:应用”两章,添加了“BERT”和“自然语言推断”的相关内容;


  • 丰富并修订第一版“附录内容”内容,并调整为第十六章;


  • 更新全书内容与英文版0.17.1保持一致。


详细改进



《动手学深度学习》2.0.0-beta0版较2.0.0-alpha2版增加了23个小节:


第14章:自然语言处理:预训练


  • 14.1. 词嵌入(Word2vec)


  • 14.2. 近似训练


  • 14.3. 用于预训练词嵌入的数据集


  • 14.4. 预训练word2vec


  • 14.5. 全局向量的词嵌入(GloVe)


  • 14.6. 子词嵌入


  • 14.7. 词的相似性和类比任务


  • 14.8. 来自Transformer的双向编码器表示(BERT)


  • 14.9. 用于预训练BERT的数据集


  • 14.10. 预训练BERT


第15章:自然语言处理:应用


  • 15.1. 情感分析及数据集


  • 15.2. 情感分析:使用递归神经网络


  • 15.3. 情感分析:使用卷积神经网络


  • 15.4. 自然语言推断与数据集


  • 15.5. 自然语言推断:使用注意力


  • 15.6. 针对序列级和词元级应用程序微调BERT


  • 15.7. 自然语言推断:微调BERT


第16章:(附录)深度学习工具


  • 16.1. 使用Jupyter Notebooks


  • 16.2. 使用Amazon SageMaker


  • 16.3. 使用Amazon EC2实例


  • 16.4. 选择服务器和GPU


  • 16.5. 为本书做贡献


  • 16.6. d2l API 文档


相关文章
|
机器学习/深度学习 编解码 固态存储
深度学习论文阅读目标检测篇(五)中文版:YOLOv2《 YOLO9000: Better, Faster, Stronger》
 与分类和标记等其他任务的数据集相比,目前目标检测数据集是有限的。最常见的检测数据集包含成千上万到数十万张具有成百上千个标签的图像[3][10][2]。分类数据集有数以百万计的图像,数十或数十万个类别[20][2]。
164 0
深度学习论文阅读目标检测篇(五)中文版:YOLOv2《 YOLO9000: Better, Faster, Stronger》
|
机器学习/深度学习 编解码 并行计算
深度学习论文阅读目标检测篇(七)中文版:YOLOv4《Optimal Speed and Accuracy of Object Detection》
大多数基于 CNN 的目标检测器基本上都仅适用于推荐系统。例 如:通过城市摄像头寻找免费停车位,它由精确的慢速模型完成,而 汽车碰撞警报需要由快速、低精度模型完成。改善实时目标检测器的 精度,使其能够不仅可以用于提示生成推荐系统,也可以用于独立的 流程管理和减少人力投入。传统 GPU 使得目标检测可以以实惠的价 格运行。最准确的现代神经网络不是实时运行的,需要大量的训练的 GPU 与大的 mini bacth size。我们通过创建一个 CNN 来解决这样的 问题,在传统的 GPU 上进行实时操作,而对于这些训练只需要一个 传统的 GPU。
266 0
|
机器学习/深度学习 固态存储 数据挖掘
深度学习论文阅读目标检测篇(六)中文版:YOLOv3《 An Incremental Improvement》
  有时候,一年内你主要都在玩手机,你知道吗?今年我没有做很 多研究。我在 Twitter 上花了很多时间。研究了一下 GAN。去年我留 下了一点点的精力[12] [1];我设法对 YOLO 进行了一些改进。但是, 实话实说,除了仅仅一些小的改变使得它变得更好之外,没有什么超 级有趣的事情。我也稍微帮助了其他人的一些研究。
143 0
|
机器学习/深度学习 传感器 编解码
深度学习论文阅读目标检测篇(四)中文版:YOLOv1《 You Only Look Once: Unified, Real-Time Object Detection》
我们的统一架构非常快。我们的基础YOLO模型以45帧/秒的速度实时处理图像。FastYOLO是YOLO的一个较小版本,每秒能处理惊人的155帧图像,同时实现其它实时检测器两倍的mAP。与最先进的检测系统相比,YOLO虽然存在较多的定位错误,但很少将背景预测成假阳性(译者注:其它先进的目标检测算法将背景预测成目标的概率较大)。最后,YOLO能学习到目标非常通用的表示。当从自然图像到艺术品等其它领域泛化时,它都优于其它检测方法,包括DPM和R-CNN。
347 0
|
机器学习/深度学习 人工智能 算法
2019 年 11 月最新《TensorFlow 2.0 深度学习算法实战》中文版教材免费开源(附随书代码+pdf)
2019 年 11 月最新《TensorFlow 2.0 深度学习算法实战》中文版教材免费开源(附随书代码+pdf)
405 0
2019 年 11 月最新《TensorFlow 2.0 深度学习算法实战》中文版教材免费开源(附随书代码+pdf)
|
机器学习/深度学习 算法 数据可视化
火爆网络的《神经网络与深度学习》,有人把它翻译成了中文版!
火爆网络的《神经网络与深度学习》,有人把它翻译成了中文版!
294 0
火爆网络的《神经网络与深度学习》,有人把它翻译成了中文版!
|
8天前
|
机器学习/深度学习 人工智能 算法
深度学习在图像识别中的应用与挑战
本文探讨了深度学习技术在图像识别领域的应用,重点分析了卷积神经网络(CNN)的工作原理及其在处理图像数据方面的优势。通过案例研究,展示了深度学习如何提高图像识别的准确性和效率。同时,文章也讨论了当前面临的主要挑战,包括数据不足、过拟合问题以及计算资源的需求,并提出了相应的解决策略。
|
3天前
|
机器学习/深度学习 人工智能 自然语言处理
深度学习中的卷积神经网络(CNN)及其在图像识别中的应用
本文旨在通过深入浅出的方式,为读者揭示卷积神经网络(CNN)的神秘面纱,并展示其在图像识别领域的实际应用。我们将从CNN的基本概念出发,逐步深入到网络结构、工作原理以及训练过程,最后通过一个实际的代码示例,带领读者体验CNN的强大功能。无论你是深度学习的初学者,还是希望进一步了解CNN的专业人士,这篇文章都将为你提供有价值的信息和启发。

热门文章

最新文章

下一篇
无影云桌面