fastbook
v0.0.19
Englisch / Spanisch / Koreanisch / Chinesisch / Bengali / Indonesisch / Italienisch / Portugiesisch / Vietnamesisch / Japanisch
Diese Notizbücher behandeln eine Einführung in Deep Learning, Fastai und Pytorch. Fastai ist eine geschichtete API für tiefes Lernen; Weitere Informationen finden Sie im Fastai -Papier. Alles in diesem Repo ist das Urheberrecht Jeremy Howard und Sylvain Gugger, 2020. Eine Auswahl von Kapiteln steht hier online zur Verfügung.
Die Notizbücher in diesem Repo werden für ein MOOC verwendet und bilden die Grundlage dieses Buches, das derzeit erhältlich ist. Es gibt nicht die gleichen GPL -Einschränkungen, die auf diesem Repository enthalten sind.
Der Code in Notebooks und Python .py -Dateien wird von der GPL V3 -Lizenz behandelt. Weitere Informationen finden Sie in der Lizenzdatei. Der Rest (einschließlich aller Markdown -Zellen in den Notebooks und anderen Prosa) ist nicht für eine Umverteilung oder Änderung des Formats oder Mediums lizenziert, abgesehen von Kopien der Notizbücher oder der Abgabe dieses Repo für Ihren eigenen privaten Gebrauch. Es ist kein kommerzieller oder Broadcast -Gebrauch erlaubt. Wir stellen diese Materialien frei zur Verfügung, um Ihnen zu helfen, tiefes Lernen zu lernen. Respektieren Sie also bitte unser Urheberrecht und diese Einschränkungen.
Wenn Sie jemanden sehen, der eine Kopie dieser Materialien an einem anderen Ort veranstaltet, lassen Sie ihn bitte wissen, dass seine Handlungen nicht zulässig sind und zu rechtlichen Schritten führen können. Darüber hinaus würden sie die Gemeinschaft verletzen, da wir wahrscheinlich nicht auf diese Weise zusätzliche Materialien veröffentlichen, wenn die Menschen unser Urheberrecht ignorieren.
Anstatt dieses Repo zu klonen und auf Ihrem Computer zu öffnen, können Sie mit Google Colab mit den Notebooks lesen und arbeiten. Dies ist der empfohlene Ansatz für Leute, die gerade erst anfangen. Es ist nicht erforderlich, eine Python-Entwicklungsumgebung auf Ihrer eigenen Maschine einzurichten, da Sie einfach direkt in Ihrem Webbrowser arbeiten können.
Sie können jedes Kapitel des Buches in Colab öffnen, indem Sie auf einen dieser Links klicken: Einführung in Jupyter | Kapitel 1, Intro | Kapitel 2, Produktion | Kapitel 3, Ethik | Kapitel 4, MNIST -Grundlagen | Kapitel 5, Haustierrassen | Kapitel 6, Mehrkategorie | Kapitel 7, Größe und TTA | Kapitel 8, Zusammenarbeit | Kapitel 9, tabellarisch | Kapitel 10, NLP | Kapitel 11, API mit mittlerer Ebene | Kapitel 12, NLP Deep-Dive | Kapitel 13, Konvolutionen | Kapitel 14, Resnet | Kapitel 15, Bogendetails | Kapitel 16, Optimierer und Rückrufe | Kapitel 17, Fundamente | Kapitel 18, Gradcam | Kapitel 19, Lernender | Kapitel 20, Schlussfolgerung
Wenn Sie an diesem Repo Anfragen stellen, verweisen Sie Jeremy Howard und Sylvain Gugger das Urheberrecht dieser Arbeit. (Wenn Sie außerdem kleine Änderungen an Rechtschreibung oder Text vornehmen, geben Sie bitte den Namen der Datei und eine sehr kurze Beschreibung dessen an, was Sie beheben. Es ist für die Rezensenten schwierig zu wissen, welche Korrekturen bereits vorgenommen wurden. Vielen Dank.)
Wenn Sie das Buch zitieren möchten, können Sie Folgendes verwenden:
@book{howard2020deep,
title={Deep Learning for Coders with Fastai and Pytorch: AI Applications Without a PhD},
author={Howard, J. and Gugger, S.},
isbn={9781492045526},
url={https://books.google.no/books?id=xd6LxgEACAAJ},
year={2020},
publisher={O'Reilly Media, Incorporated}
}
