动手学习深度学习 01：前言

学习深度学习的关键是动手

01 课程安排

1、目标

1、介绍深度学习经典和最新模型

• LeNet，Resnet，LSTM，BERT…

2、机器学习基础

• 损失函数、目标函数、过拟合、优化

3、实践

• 基于Pytorch实现介绍的知识点
• 在真实数据集上体验算法效果

2、内容

• 深度学习基础 - 线性神经网络，多层感知机
• 卷积神经网络 - LeNet，AlexNet，VGG，Inception，ResNet
• 循环神经网络 - RNN，GRU，LSTM，seq2seq
• 注意力机制 - Attention，Transformer
• 优化算法 - SGD，Momentum，Adam
• 高性能计算 - 并行，多GPU，分布式
• 计算机视觉 -目标检测，语义分割
• 自然语言处理 - 词嵌入，BERT

3、你将学到什么

4、资源

• 课程主页：http://courses.d2l.ai/zh-v2/
• 教材：动手学深度学习 2.0.0-beta1 documentation (d2l.ai)
• 课程论坛讨论：中文版 - D2L Discussion
• Pytorch论坛：PyTorch Forums

02 深度学习的介绍

AI地图：

下面介绍几个深度学习的应用：

1、图像分类：

• ImageNet (image-net.org)

2、目标检测与图像分割：

3、样式迁移：

将样式图片与内容图片合成一下

4、人脸合成

5、文字生成图片

6、文字生成

7、无人驾驶

三类人的划分：

提问：

• 深度学习介绍 QA

P1：深度学习与机器学习的可解释性，为什么有效？

P2：领域专家是什么意思？

P3：mxnet安装GPU版本

A3：mxnet安装GPU版本需要卸载GPU版本

P4: 符号学与机器学习

P5：数据科学家与AI专家的区别

A5：数据科学家偏向讲一个实际业务，转换成一个可以用机器学习解决的问题，训练一个可用的模型，而AI科学家侧重提升精度性能

P6：mac支持pytorch

P7：自然语言处理

P8：如何寻找自己领域的想找到的paper

A8：后面又机会分享自己的做法

P9：无人驾驶，虽然精度在提升，但错误会带来很严重的结果

03 安装【动手学习深度学习】

1、环境配置

conda create -n d2l python=3.8

conda activate d2l

pip install jupyter d2l torch torchvision

Ps：

• 下载torch太慢了，换源下载：

  pip install xxx(包名) -i https://pypi.tuna.tsinghua.edu.cn/simple
  

2、下载代码

wget https://zh-v2.d2l.ai/s2l-zh.zip

或者：

git clone https://github.com/d2l-ai/d2l-zh-pytorch-slides

里面有各个章节的jupyter，在终端打开jupyter：

jupyter notebook