Pytorch Knowledge

Manual de aprendizaje de Pytorch

La mayoría de los flujos de trabajo de aprendizaje automático implican procesar datos, crear modelos, optimizar los parámetros del modelo y guardar el modelo entrenado. Este tutorial le presenta un flujo de trabajo de ML completo implementado en PyTorch y proporciona enlaces para obtener más información sobre cada concepto.

Este tutorial cubrirá los conocimientos básicos del aprendizaje automático y el aprendizaje profundo, cubriendo回归分类问题y muchos marcos básicos de aprendizaje profundo bien conocidos, como CNN , RNN , fastai , etc.

El catálogo oficial de tutoriales de Facebook utilizará el conjunto de datos FashionMNIST para entrenar una red neuronal que predice si una imagen de entrada pertenece a una de las siguientes categorías: T 恤/上衣,裤子,套头衫,连衣裙,外套,凉鞋,衬衫, zapatillas运动鞋,包, o脚踝.

El catálogo práctico de aprendizaje profundo de Pytorch comenzará con los problemas de regresión lineal más simples y pasará gradualmente a modelos complejos de aprendizaje profundo.

Este tutorial asume que tiene familiaridad básica con Python y conceptos de aprendizaje profundo. El documento (tutorial oficial de Facebook) está traducido del sitio web oficial de Pytorch.

Ejecute el código del tutorial

Puede ejecutar este tutorial de varias maneras:

• en la nube
• Local: esta opción requiere que primero configure PyTorch y TorchVision en su máquina local (instrucciones de instalación). Copie el código en su IDE favorito.

Directorio oficial de tutoriales de Facebook.

1. Tensores
2. Conjuntos de datos y cargadores de datos
3. Transforma

Directorio práctico de aprendizaje profundo de Pytorch

1. Problemas de regresión lineal y no lineal.
2. problema de regresión logística
3. CNN en acción: reconocimiento de fuentes manuscritas
4. Transferir aprendizaje: uso de AlexNet para implementar la clasificación de perros y gatos
5. Práctica de RNN: uso de LSTM para lograr la predicción de funciones
6. Práctica de GAN: utilice GAN para generar avatares de Shiba Inu