fastbook

Inglês / espanhol / coreano / chinês / bengali / indonésio / italiano / português / vietnamita / japonês

O livro Fastai

Esses cadernos cobrem uma introdução ao aprendizado profundo, fastai e pytorch. O Fastai é uma API em camadas para aprendizado profundo; Para mais informações, consulte o papel Fastai. Tudo neste repositório é os direitos autorais Jeremy Howard e Sylvain Gugger, 2020 em diante. Uma seleção de capítulos está disponível para ler on -line aqui.

Os notebooks neste repositório são usados ​​para um MOOC e formam a base deste livro, atualmente disponível para compra. Não possui as mesmas restrições de GPL que estão neste repositório.

O código nos notebooks e os arquivos Python .py é coberto pela licença GPL V3; Consulte o arquivo de licença para obter detalhes. O restante (incluindo todas as células de marcação nos notebooks e outras prosa) não é licenciado para qualquer redistribuição ou alteração de formato ou médio, além de fazer cópias dos notebooks ou marcar esse repositório para seu próprio uso privado. Nenhum uso comercial ou de transmissão é permitido. Estamos disponibilizando esses materiais gratuitamente para ajudá -lo a aprender profundo aprendizado; portanto, respeite nossos direitos autorais e essas restrições.

Se você vir alguém que hospeda uma cópia desses materiais em outro lugar, informe -os de que suas ações não são permitidas e podem levar a uma ação legal. Além disso, eles estariam prejudicando a comunidade, porque não é provável que divulgamos materiais adicionais dessa maneira se as pessoas ignorassem nossos direitos autorais.

Colab

Em vez de clonar este repositório e abri -lo em sua máquina, você pode ler e trabalhar com os notebooks usando o Google Colab. Essa é a abordagem recomendada para as pessoas que estão apenas começando-não há necessidade de configurar um ambiente de desenvolvimento do Python em sua própria máquina, pois você pode apenas trabalhar diretamente no seu navegador da web.

Você pode abrir qualquer capítulo do livro em Colab clicando em um desses links: Introdução a Jupyter | Capítulo 1, Introdução | Capítulo 2, Produção | Capítulo 3, Ética | Capítulo 4, Mnist Basics | CAPÍTULO 5, RECURAS DE PET | Capítulo 6, Multi-Categoria | Capítulo 7, Dimensionamento e TTA | Capítulo 8, Collab | Capítulo 9, Tabular | Capítulo 10, NLP | Capítulo 11, API de nível médio | CAPÍTULO 12, DIVER DE PROFUNDO NLP | CAPÍTULO 13, CONVOLUÇÕES | Capítulo 14, Resnet | Capítulo 15, Detalhes do Arco | Capítulo 16, Optimizadores e retornos de chamada | Capítulo 17, Foundations | Capítulo 18, Gradcam | CAPÍTULO 19, ALUNAMENTO | Capítulo 20, Conclusão

Contribuições

Se você fizer alguma solicitação de tração a este repositório, estará atribuindo direitos autorais desse trabalho a Jeremy Howard e Sylvain Gugger. (Além disso, se você estiver fazendo pequenas edições para ortografia ou texto, especifique o nome do arquivo e uma descrição muito breve do que você está corrigindo. É difícil para os revisores saber quais correções já foram feitas. Obrigado.)

Citações

Se você deseja citar o livro, pode usar o seguinte:

 @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}
}