GitHub标星23k+,从零开始的深度学习实用教程 | PyTorch官方推荐

简介: 背景基础部分,除了有Python指南、笔记本用法,以及Numpy、Pandas这些库的用法,还有线性规划、逻辑规划、随机森林、k-means聚类这些机器学习的基本技术。

GitHub上面,有个新发布的深度学习实践教程,叫PracticalAI,被PyTorch官方推特翻了牌,已经收获23k多标星


640.jpg


项目出自一位印度少年之手,基于PyTorch。少年为向往机器学习的小伙伴们,指引了一条从萌新到老司机的进阶之路。


新手可以从基础的基础开始学起,不止线性规划和随机森林,连笔记本怎么用,NumPy等重要的Python库怎么用,都有手把手教程。


不过,不是纯新手也不要走,可以学着搭个高级的RNN,厉害的GAN,这里还有许多实际应用示例可以跑。毕竟,这是一个注重实践的项目。


640.jpg


可以用Google Colab、也可以用Jupyter Notebook来跑。


内容友好,持续更新


PracticalAI里面的内容,分为四个部分,并将持续更新:


背景基础 (Basics),深度学习入门 (Deep Learning) ,深度学习高阶 (Advanced) ,以及应用示例 (Topics) 。此处非直译。


640.jpg


背景基础部分,除了有Python指南、笔记本用法,以及Numpy、Pandas这些库的用法,还有线性规划、逻辑规划、随机森林、k-means聚类这些机器学习的基本技术。


有了这些,可以走进深度学习的世界了。


深度学习入门,包括了PyTorch指南、多层感知器 (MLP) 、数据与模型、面向对象的机器学习、卷积神经网络 (CNN) 、嵌入,以及递归神经网络 (RNN) 。


深度学习高阶,会涉及更高级的RNN、自编码器、生成对抗网络 (GAN) ,以及空间变换网络 (Spatial Transformer Networks) 等等。


最后是应用。计算机视觉是个重要的方向。除此之外,还会涉及时间序列分析 (Time Series Analysis) ,商品推荐系统,预训练语言模型,多任务学习,强化学习等等示例可以运行。也可以修改示例,写出自己的应用。


640.jpg

细心的小伙伴大概发现了,表格里的有些话题还没有加链接。少年表示,这些部分很快就会更新了。


另外,表上还有没填满的格子,少年欢迎大家前去添砖加瓦。


食用说明,无微不至


印度少年在介绍里,用三点来描述这个项目:


一是,可以用PyTorch来实现基础的机器学习算法,以及神经网络。


二是,可以用Google Colab直接在网页上运行一切,无需任何设定 (也可以用Jupyter跑) 。


三是,可以学做面向对象的机器学习,与实际应用联系紧密,不止是入门教程而已。


那么如何上手?笔记本跑起来啊:


(步骤几乎是针对Colab写的。Jupyter用户可忽略。)


第一步,项目里进到notebooks目录。


第二步,用Google Colab去跑这些笔记本,也可以直接在本地跑。


第三步,点击一个笔记本,把URL里的这一段:


https://github.com/


替换成这一段:


https://colab.research.google.com/github/


或者用Open In Colab这个Chrome扩展来一键解决。


第四步,登录账号。


第五步,点击工具栏里的COPY TO DRIVE按钮,就可以在新标签页里打开笔记本了。


640.jpg


第六步,给这个新笔记本重命名,把名称里的Copy of去掉就行。


第七步,运行代码,修改代码,放飞自我。所有改动都会自动保存到Google Drive。


(没梯子的话,不用Colab就行了。)


至于,热心观众要如何为这个项目贡献自己的力量,步骤就不仔细写了 (请前往项目页) 。


开始学习吧,不然等到内容更新了,要学的就更多了。


传送门


640.jpg

相关文章
|
20天前
|
机器学习/深度学习 人工智能 PyTorch
PyTorch深度学习 ? 带你从入门到精通!!!
🌟 蒋星熠Jaxonic,深度学习探索者。三年深耕PyTorch,从基础到部署,分享模型构建、GPU加速、TorchScript优化及PyTorch 2.0新特性,助力AI开发者高效进阶。
PyTorch深度学习 ? 带你从入门到精通!!!
|
1月前
|
机器学习/深度学习 存储 PyTorch
Neural ODE原理与PyTorch实现:深度学习模型的自适应深度调节
Neural ODE将神经网络与微分方程结合,用连续思维建模数据演化,突破传统离散层的限制,实现自适应深度与高效连续学习。
78 3
Neural ODE原理与PyTorch实现:深度学习模型的自适应深度调节
|
4月前
|
机器学习/深度学习 存储 PyTorch
PyTorch + MLFlow 实战:从零构建可追踪的深度学习模型训练系统
本文通过使用 Kaggle 数据集训练情感分析模型的实例,详细演示了如何将 PyTorch 与 MLFlow 进行深度集成,实现完整的实验跟踪、模型记录和结果可复现性管理。文章将系统性地介绍训练代码的核心组件,展示指标和工件的记录方法,并提供 MLFlow UI 的详细界面截图。
178 2
PyTorch + MLFlow 实战:从零构建可追踪的深度学习模型训练系统
|
8月前
|
机器学习/深度学习 数据可视化 算法
PyTorch生态系统中的连续深度学习:使用Torchdyn实现连续时间神经网络
神经常微分方程(Neural ODEs)是深度学习领域的创新模型,将神经网络的离散变换扩展为连续时间动力系统。本文基于Torchdyn库介绍Neural ODE的实现与训练方法,涵盖数据集构建、模型构建、基于PyTorch Lightning的训练及实验结果可视化等内容。Torchdyn支持多种数值求解算法和高级特性,适用于生成模型、时间序列分析等领域。
399 77
PyTorch生态系统中的连续深度学习:使用Torchdyn实现连续时间神经网络
|
7月前
|
机器学习/深度学习 自然语言处理 算法
PyTorch PINN实战:用深度学习求解微分方程
物理信息神经网络(PINN)是一种将深度学习与物理定律结合的创新方法,特别适用于微分方程求解。传统神经网络依赖大规模标记数据,而PINN通过将微分方程约束嵌入损失函数,显著提高数据效率。它能在流体动力学、量子力学等领域实现高效建模,弥补了传统数值方法在高维复杂问题上的不足。尽管计算成本较高且对超参数敏感,PINN仍展现出强大的泛化能力和鲁棒性,为科学计算提供了新路径。文章详细介绍了PINN的工作原理、技术优势及局限性,并通过Python代码演示了其在微分方程求解中的应用,验证了其与解析解的高度一致性。
1317 5
PyTorch PINN实战:用深度学习求解微分方程
|
7月前
|
人工智能 网络安全 开发工具
vscode代码推送到github库菜鸡专用教程
vscode代码推送到github库菜鸡专用教程
|
8月前
|
机器学习/深度学习 PyTorch TensorFlow
深度学习工具和框架详细指南:PyTorch、TensorFlow、Keras
在深度学习的世界中,PyTorch、TensorFlow和Keras是最受欢迎的工具和框架,它们为研究者和开发者提供了强大且易于使用的接口。在本文中,我们将深入探索这三个框架,涵盖如何用它们实现经典深度学习模型,并通过代码实例详细讲解这些工具的使用方法。
|
机器学习/深度学习 算法 PyTorch
深度学习笔记(十三):IOU、GIOU、DIOU、CIOU、EIOU、Focal EIOU、alpha IOU、SIOU、WIOU损失函数分析及Pytorch实现
这篇文章详细介绍了多种用于目标检测任务中的边界框回归损失函数,包括IOU、GIOU、DIOU、CIOU、EIOU、Focal EIOU、alpha IOU、SIOU和WIOU,并提供了它们的Pytorch实现代码。
2325 1
深度学习笔记(十三):IOU、GIOU、DIOU、CIOU、EIOU、Focal EIOU、alpha IOU、SIOU、WIOU损失函数分析及Pytorch实现
|
11月前
|
机器学习/深度学习 监控 PyTorch
深度学习工程实践:PyTorch Lightning与Ignite框架的技术特性对比分析
在深度学习框架的选择上,PyTorch Lightning和Ignite代表了两种不同的技术路线。本文将从技术实现的角度,深入分析这两个框架在实际应用中的差异,为开发者提供客观的技术参考。
282 7
|
机器学习/深度学习 算法 数据可视化
如果你的PyTorch优化器效果欠佳,试试这4种深度学习中的高级优化技术吧
在深度学习领域,优化器的选择对模型性能至关重要。尽管PyTorch中的标准优化器如SGD、Adam和AdamW被广泛应用,但在某些复杂优化问题中,这些方法未必是最优选择。本文介绍了四种高级优化技术:序列最小二乘规划(SLSQP)、粒子群优化(PSO)、协方差矩阵自适应进化策略(CMA-ES)和模拟退火(SA)。这些方法具备无梯度优化、仅需前向传播及全局优化能力等优点,尤其适合非可微操作和参数数量较少的情况。通过实验对比发现,对于特定问题,非传统优化方法可能比标准梯度下降算法表现更好。文章详细描述了这些优化技术的实现过程及结果分析,并提出了未来的研究方向。
351 1

推荐镜像

更多