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:
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:
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