动手学深度学习 (Dive into Deep Learning)

已于 2025-04-03 20:01:08 修改
阅读量9.6k 收藏 42
点赞数 8
分类专栏： 深度学习 (Deep Learning) 文章标签： 动手学深度学习 Deep Learning
于 2019-06-07 23:23:10 首次发布
世上没有白读的书，每一页都算数。
本文链接：https://blog.csdn.net/chengyq116/article/details/91174946
版权

动手学深度学习 {Dive into Deep Learning} 

dive /daɪv/ vi. 跳水；潜水；俯冲；急剧下降 n. 潜水；跳水；俯冲；扑

Dive into Deep Learning
https://d2l.ai/
https://en.d2l.ai/d2l-en.pdf

动手学深度学习
https://zh.d2l.ai/
https://zh.d2l.ai/d2l-zh.pdf

D2L.ai: Interactive Deep Learning Book with Multi-Framework Code, Math, and Discussions
https://github.com/d2l-ai/d2l-en

动手学深度学习 (Dive into Deep Learning，D2L.ai)
https://github.com/d2l-ai/d2l-zh

ApacheMXNet
https://space.bilibili.com/209599371

在这里插入图片描述

References

[1] Yongqiang Cheng, https://yongqiang.blog.csdn.net/
[2] 动手学深度学习 (Dive into Deep Learning)

动手学习深度学习 DIVE into Deep learning 第三章线性神经网络
weixin_43823175的博客
12-31 924
线性神经网络 3.1. 线性回归 3.1.1. 线性回归的基本元素 线性回归（linear regression）可以追溯到19世纪初， 它在回归的各种标准工具中最简单而且最流行。 线性回归基于几个简单的假设： 首先，假设自变量x和因变量y之间的关系是线性的， 即y可以表示为x中元素的加权和，这里通常允许包含观测值的一些噪声； 其次，我们假设任何噪声都比较正常，如噪声遵循正态分布。 在机器学习的术语中，该数据集称为训练数据集（training data set） 或训练集（training set）。 每行
动手学习深度学习 DIVE into Deep learning 的 学习 第一章 前言
weixin_43823175的博客
12-31 1067
动手学习深度学习 DIVE into Deep learning 的 学习 第一章 前言 本文为学习《动手学习深度学习》的一些学习，内容来源于网址： https://d2l.ai/ Dive into Deep Learning — Dive into Deep Learning 0.17.1 documentation 主要学习pytorch的一些内容 引言 全书的结构 (https://zh.d2l.ai/_images/book-org.svg)] 前言 机器学习的任务 生成一个输入到输出的映射 具
Dive into Deep Learning
03-20
deep learning has taken the world by surprise, driving rapid progress in fields as diverse as computer vision, natural language processing, automatic speech recognition, reinforcement learning, and statistical modeling. With these advances in hand, we can now build cars that drive themselves (with increasing autonomy), smart reply systems that anticipate mundane replies, helping people dig out from mountains of email, and software agents that dominate the world’s best humans at board games like Go, a feat once deemed to be decades away. Already, these tools are exerting a widening impact, changing the way movies are made, diseases are diagnosed, and playing a growing role in basic sciences – from astrophysics to biology. This book represents our attempt to make deep learning approachable, teaching you both the concepts, the context, and the code.
DIVE INTO DEEP LEARNING 学习笔记(准备工作）
最新发布
m0_74413554的博客
04-18 320
这些命令用于下载并解压《动手学深度学习》（Dive into Deep Learning, D2L）的英文版教材代码和资源（PyTorch版本）：创建一个名为d2l-en的目录。&&：如果前一个命令成功执行，则继续执行下一个命令。cd d2l-en：进入刚创建的d2l-en目录。&&是 PowerShell 5.1+才能使用的命令（要么升级PowerShell 的版本，要么分开写）使用curl工具从下载文件。：将下载的文件保存为本地名为d2l-en.zip。：解压d2l-en.zip文件到当前目录。
Dive Into Deep Learning——1、前言
m0_56595384的博客
06-23 834
目录模型模型族学习算法数据数据的维度目标函数过拟合优化算法监督学习回归分类序列学习无监督学习与环境互动强化学习总结这里主要是对一些我认为需要复习的名词以及相关内容进行摘录，作为学习笔记来用，非原创。你可以把参数看作是旋钮，我们可以转动旋钮来调整程序的行为。 任一调整参数后的程序，我们称为模型（model）通过操作参数而生成的所有不同程序（输入-输出映射）的集合称为“模型族”使用数据集来选择参数的元程序被称为学习算法（learning algorithm）。样本有时也叫做数据点（data point）或者数据
dive into deep learning深度学习计算部分即卷积神经网络部分
weixin_43823175的博客
03-18 1255
dive into deep learning 5. 深度学习计算 除了庞大的数据集和强大的硬件， 优秀的软件工具在深度学习的快速发展中发挥了不可或缺的作用。 从2007年发布的开创性的Theano库开始， 灵活的开源工具使研究人员能够快速开发模型原型， 避免了我们使用标准组件时的重复工作， 同时仍然保持了我们进行底层修改的能力。 随着时间的推移，深度学习库已经演变成提供越来越粗糙的抽象。 就像半导体设计师从指定晶体管到逻辑电路再到编写代码一样， 神经网络研究人员已经从考虑单个人工神经元的行为转变为从层的角
dive into deep learning 循环神经网络 RNN 部分 学习
weixin_43823175的博客
02-25 1550
dive into deep learning 循环神经网络 RNN 部分 学习 到目前为止，我们遇到过两种类型的数据：表格数据和图像数据。 对于图像数据，我们设计了专门的卷积神经网络架构来为这类特殊的数据结构建模。 换句话说，如果我们拥有一张图像，我们需要有效地利用其像素位置， 假若我们对图像中的像素位置进行重排，就会对图像中内容的推断造成极大的困难。 最重要的是，到目前为止我们默认数据都来自于某种分布， 并且所有样本都是独立同分布的 （independently and identically dist
动手学深度学习（Dive into Deep Learning，D2L
07-21
[动手学深度学习（Dive into Deep Learning，D2L） 墙裂推荐](https://github.com/d2l-ai/d2l-zh) 1. 行为识别 Action_Recognition IDT TSN C3D CDC R-C3D 2. 目标检测 大型网络 MaskRCNN FCIS DCNN ...
动手学深度学习(Dive Into Deep Learning)的pytorch版md文件
Henry41132220011的博客
05-30 420
看d2l原版md文件时，因为平台适用性所以作者给了多个版本的代码，但是因为我自己学习只用到pytorch版，所以需要构建一个类似这样的md内容整体看起来会舒适很多，所以写了一个py脚本实现这个功能。
《动手深度学习》｜《Dive Into Deep Learning》课程学习笔记，基于TensorFlow 2.0 框架实现
09-22
深度学习是机器学习的一个子领域，它基于人工神经网络的研究，特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征，这些特征对于图像和语音识别、自然语言处理、医学图像分析等...
Dive into Deep Learning A. Zhang, Z. C. Lipton, M. Li, and A. J. Smola
03-07
这本书是 最新 2019年 UC Berkeley 春季 深度学习课程教材，另外可以在 github 上找到相应的配套代码。对于深度学习的入门和进阶都大有裨益。
深入探索深度学习：`Dive into Deep Learning`项目详解
gitblog_00065的博客
04-03 1110
深入探索深度学习：Dive into Deep Learning项目详解 去发现同类优质开源项目:https://gitcode.com/ 在这个快速发展的AI时代，深度学习已经成为人工智能领域的重要基石。Dive into Deep Learning（）是一个精心设计的开源项目，旨在帮助初学者和专业人士轻松入门并深入理解深度学习。本文将带你详细了解该项目的内容、技术分析以及它的独特之处。 项目简...
深入解析 Dive into Deep Learning:一本革命性的交互式深度学习教材
2401_87458778的博客
10-09 719
Dive into Deep Learning不仅仅是一本教材,它代表了一种全新的学习方式。通过将理论、代码和实践紧密结合,D2L为学习者打开了一扇通往深度学习世界的大门。无论你是初学者还是有经验的从业者,D2L都能为你提供宝贵的知识和洞见。在人工智能日益重要的今天,掌握深度学习技能变得前所未有的重要。让我们一起潜入深度学习的海洋,探索这个充满无限可能的领域吧!
Dive_into_Deep_Learning
lukaijie‘s BLOG
10-21 1520
1.前言 1.2.关键组件 我们可以学习的数据（data）。 如何转换数据的模型（model）。 一个目标函数（objective function），用来量化模型的有效性。 调整模型参数以优化目标函数的算法 2.预备知识 2.1.数据操作 2.1.1.入门 张量：n维数组； 无论使用哪个深度学习框架，它的张量类都与Numpy的ndarray类似，但又比Numpy的ndarray多一些重要功能： 首先，GPU很好地支持加速计算，而NumPy仅支持CPU计算；其次，张量类支持自动微分。这些功能使得张量
【Dive into Deep Learning / 动手学深度学习】第二章 - 第一节：数据操作
海到无边天作岸 山登绝顶我为峰
04-27 2374
目录前言2.1 数据操作2.1.1. 入门torch.arange()shapenumel()reshape()ones()randn()2.1.2. 运算符+、-、*、/、** 、exp多个张量连结（concatenate）==sum()2.1.3. 广播机制2.1.4. 索引和切片2.1.5. 节省内存2.1.6. 转换为其他Python对象结语 前言 Hello！ 非常感谢您阅读海轰的文章，倘若文中有错误的地方，欢迎您指出～   自我介绍 ଘ(੭ˊᵕˋ)੭ 昵称：海轰 标签：程序猿｜C
翻译: 深入神经网络概览Dive into Deep Learning
AI架构师易筋
03-07 3577
1. 简介 直到最近，我们每天与之交互的几乎所有计算机程序都是由软件开发人员根据第一原理编码的。假设我们想编写一个应用程序来管理一个电子商务平台。在围着白板花了几个小时思考这个问题之后，我们会想出一个可行的解决方案的大致思路，可能看起来像这样： (i) 用户通过在 Web 浏览器中运行的界面与应用程序交互或移动应用程序； (ii) 我们的应用程序与商业级数据库引擎交互，以跟踪每个用户的状态并维护历史交易记录； (iii) 在我们应用程序的核心，业务逻辑（你可能会说，大脑) 我们的应用程序有条不紊地详细说明
Dive into Deep Learning-优化算法(1)
weixin_44994838的博客
05-08 859
也就是对应一个矩阵的乘方进行特征值分解，只需要将特征值进行同样的n次方即可，此时n需要时正数；，可以看到对矩阵的逆进行特征值分解，直接对特征值求逆即可；矩阵的行列式等于矩阵的特征值的乘积。iii. 延续上面的例子，特征向量组成的矩阵。矩阵的秩等于非0特征值的个数；是可逆的，所以等式两边同乘。i. 特征值和特征向量，对应的两个特征向量是。
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Yongqiang Cheng

梦想不是浮躁，而是沉淀和积累。

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值