动手学深度学习|notebook教程

D2L.AI|《动手学深度学习》Notebooks 目录

面向中文读者的能运行、可讨论的深度学习教科书

含 PyTorch、NumPy/MXNet、TensorFlow 和 PaddlePaddle 实现

被全球 70 多个国家 500 多所大学用于教学
github
下面是整理好的,可以直接运行的notebook

  • 0 前言
  • 1 引言
  • 2 预备知识
    • 2.1 数据操作
    • 2.2 数据预处理
    • 2.3 线性代数
    • 2.4 微积分
    • 2.5 自动微分
    • 2.6 概率
    • 2.7 查阅文档
  • 3 线性神经网络
    • 3.1 线性回归
    • 3.2 线性回归的从零开始实现
    • 3.3 线性回归的简洁实现
    • 3.4 softmax回归
    • 3.5 图像分类数据集
    • 3.6 softmax回归的从零开始实现
    • 3.7 softmax回归的简洁实现
  • 4 多层感知机
    • 4.1 多层感知机
    • 4.10 实战Kaggle比赛:预测房价
    • 4.2 多层感知机的从零开始实现
    • 4.3 多层感知机的简洁实现
    • 4.4 模型选择、欠拟合和过拟合
    • 4.5 权重衰减
    • 4.6 暂退法(Dropout)
    • 4.7 前向传播、反向传播和计算图
    • 4.8 数值稳定性和模型初始化
    • 4.9 环境和分布偏移
  • 5 深度学习计算
    • 5.1 层和块
    • 5.2 参数管理
    • 5.3延后初始化
    • 5.4 自定义层
    • 5.5 读写文件
    • 5.6 GPU
  • 6 卷积神经网络
    • 6.1 从全连接层到卷积
    • 6.2 图像卷积
    • 6.3 填充和步幅
    • 6.4 多输入多输出通道
    • 6.5 汇聚层
    • 6.6 卷积神经网络(LeNet)
  • 7 现代卷积神经网络
    • 7.1 深度卷积神经网络(AlexNet)
    • 7.2 使用块的网络(VGG)
    • 7.3 网络中的网络(NiN)
    • 7.4 含并行连结的网络(GoogLeNet)
    • 7.5 批量规范化
    • 7.6 残差网络(ResNet)
    • 7.7稠密连接网络(DenseNet)
  • 8 循环神经网络
    • 8.1 序列模型
    • 8.2 文本预处理
    • 8.3 语言模型和数据集
    • 8.4 循环神经网络
    • 8.5 循环神经网络的从零开始实现
    • 8.6 循环神经网络的简洁实现
    • 8.7 通过时间反向传播
  • 9 现代循环神经网络
    • 9.1 门控循环单元(GRU)
    • 9.2 长短期记忆网络(LSTM)
    • 9.3 深度循环神经网络
    • 9.4 双向循环神经网络
    • 9.5 机器翻译与数据集
    • 9.6 编码器-解码器架构
    • 9.7 序列到序列学习(seq2seq)
    • 9.8 束搜索
  • 10. 注意力机制
    • 10.1 注意力提示
    • 10.2 注意力汇聚:Nadaraya-Watson 核回归
    • 10.3 注意力评分函数
    • 10.4 Bahdanau 注意力
    • 10.5 多头注意力
    • 10.6 自注意力和位置编码
    • 10.7 Transformer
  • 11 优化算法
    • 11.1 优化和深度学习
    • 11.10 Adam算法
    • 11.11 学习率调度器
    • 11.2 凸性
    • 11.3 梯度下降
    • 11.4 随机梯度下降
    • 11.5 小批量随机梯度下降
    • 11.6 动量法
    • 11.7 AdaGrad算法
    • 11.8 RMSProp算法
    • 11.9 Adadelta
  • 12 计算性能
    • 12.1 编译器和解释器
    • 12.2异步计算
    • 12.3自动并行
    • 12.4硬件
    • 12.5多GPU训练
    • 12.6 多GPU的简洁实现
    • 12.7参数服务器
  • 13 计算机视觉
    • 13.1 图像增广
    • 13.2 微调
    • 13.3 目标检测和边界框
    • 13.4 锚框
    • 13.5 多尺度目标检测
    • 13.6 目标检测数据集
    • 13.7 单发多框检测(SSD)
    • 13.8 区域卷积神经网络(R-CNN)系列
    • 13.9 语义分割和数据集
    • 13.10 转置卷积
    • 13.11 全卷积网络
    • 13.12 风格迁移
    • 13.13 实战 Kaggle 比赛:图像分类 (CIFAR-10)
    • 13.14 实战Kaggle比赛:狗的品种识别(ImageNet Dogs)
  • 14 自然语言处理:预训练
    • 14.1 词嵌入(word2vec)
    • 14.10 预训练BERT
    • 14.2 近似训练
    • 14.3 用于预训练词嵌入的数据集
    • 14.4 预训练word2vec
    • 14.5 全局向量的词嵌入(GloVe)
    • 14.6 子词嵌入
    • 14.7 词的相似性和类比任务
    • 14.8 来自Transformers的双向编码器表示(BERT)
    • 14.9 用于预训练BERT的数据集
  • 15 自然语言处理:应用
    • 15.1 情感分析及数据集
    • 15.2 情感分析:使用循环神经网络
    • 15.3 情感分析:使用卷积神经网络
    • 15.4 自然语言推断与数据集
    • 15.5 自然语言推断:使用注意力
    • 15.6 针对序列级和词元级应用微调BERT
    • 15.7 自然语言推断:微调BERT

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/766332.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

TensorFlow打印网络参数的个数

注意区分打印网络参数的个数和打印网络参数(权重和偏置)的个数 在TensorFlow 1.0 中,可以通过使用tf.trainable_variables()获取模型的所有可训练参数(即权重和偏置),并使用sess.run()在会话中运行这些变量…

Ps:色彩平衡

色彩平衡 Color Balance命令可改变阴影、中间调、高光中的颜色平衡,从而改善图像的整体色彩表现或为图像创造特定的氛围。 Ps菜单:图像/调整/色彩平衡 Adjustments/Color Balance 快捷键:Ctrl B Ps菜单:图层/新建调整图层/色彩平…

如何实现JWT Token的自动续期

实现JWT(JSON Web Tokens)Token的自动续期主要涉及到两个关键的概念:刷新令牌(Refresh Token)和访问令牌(Access Token)。访问令牌通常有较短的有效期,而刷新令牌有较长的有效期。当…

Oracle Data Guard部署

Oracle的主备DG搭建 1. 修改主机名,同步时间 主库IP:192.168.100.137 备库IP:192.168.100.138配置主机名(主库) Hostname zygjpdb vim /etc/hosts 192.168.100.137 zygjpdb 192.168.100.138 zygjsdbvim /etc/sysconfig/network HOSTNAMEzygjpdb ------…

文件上传二—WEB攻防-PHP应用文件上传中间件CVE解析第三方编辑器已知CMS漏洞

演示案例: PHP-中间件-上传相关-Apache&NginxPHP-编辑器-上传相关-第三方处理引用PHP-CMS源码-上传相关-已知识别到利用 #PHP-中间件-上传相关-Apache&Nginx 复现漏洞环境:vulhub (部署搭建看打包视频) 由于PHP搭建常用中…

二叉树:递归算法的理解和运用

上一期中,我们了解到了堆,堆的结构也可以叫做二叉树的顺序结构,今天我们一起来看看二叉树的链式结构,我们还要学习有关于二叉树递归的书写。 首先,这是一个二叉树,但是对于普通的二叉树来说,增…

【Linux】详谈命令行参数环境变量

目录 一、浅谈命令行参数 二、环境变量 2.1环境变量的内涵以及理解 2.2PATH环境变量: 2.3输入程序名就能运行我们的程序 2.4系统中的环境变量 2.5导出环境变量 三、main函数的第三个参数 3.1获得环境变量的三种方法 四、本地变量 一、浅谈命令行参数 我们的m…

用自己的想法模拟实现库函数(2)完结篇

哈喽,小伙伴们,我们又见面了,上次讲完strlen函数的模拟实现后,发现还比较受大家欢迎,因此,本次给大家带来模拟函数的完结篇。温馨提示:本篇文章将会涉及到可能还未学到的实用性较高的库函数哟。…

Leetcode刷题笔记——动态规划之子序列问题篇

Leetcode刷题笔记——动态规划之子序列问题篇 一、回文 第一题:回文子串 Leetcode647. 回文子串:中等题 (详情点击链接见原题) 给你一个字符串 s ,请你统计并返回这个字符串中 回文子串 的数目。 回文字符串 是正着…

案例实践 | 基于长安链的煤质检测智慧实验室

案例名称-煤质检测智慧实验室 ■ 建设单位 国能数智科技开发(北京)有限公司 ■ 用户群体 煤炭生产单位、电力单位、化工单位等产业链上下游单位 ■ 应用成效 化验效率提升50%,出验时间缩短40%,提高化验数据市场公信力 案例…

数据降维 | Matlab实现POD本征正交分解数据降维模型

数据降维 | Matlab实现POD本征正交分解数据降维模型 目录 数据降维 | Matlab实现POD本征正交分解数据降维模型基本介绍模型描述程序设计基本介绍 1.Matlab实现POD本征正交分解数据降维模型(完整源码和数据); 2.运行环境matlab2023; 3.POD降维,POD分解(Proper Orthogonal D…

Lua热更新(Lua)

-- [[]] print 下载Lua For Windows Sublime Text(仅用于演示,实际项目使用VsCode) CtrlB运行 语法基础 基础类型:nil number string boolean 运算符:and-or-not ~ ^ if-then-end-elseif-else while-do-…

数据仓库——雪花模式以及层次递归

层次结构 钻取 向下钻取:对某些代表事实的报表中添加维度细节 向上钻取:从某些代表事实的报表中去除维度细节 属性层次 提供了一种自然方法,用于顺序地在不断深入的层次上组织事实。许多维度可以被理解为包含连续主从关系的属性层次。此类…

Java面试题:设计一个线程安全的单例模式,并解释其内存占用和垃圾回收机制;使用生产者消费者模式实现一个并发安全的队列;设计一个支持高并发的分布式锁

Java深度面试题:设计模式、内存管理与并发编程的综合考察 随着Java技术的不断发展,对Java开发者的技术要求也在不断提高。设计模式、内存管理、多线程工具类以及并发工具包和框架等都是Java开发者必须掌握的核心知识点。本文将通过三道综合性的面试题&a…

只有IP地址怎么实现HTTPS访问?

只有IP地址也可以实现HTTPS访问。虽然大部分SSL证书通常是针对域名发放,但也存在专门针对IP地址发放的SSL证书,这类证书允许服务器通过HTTPS协议为其公网IP地址提供安全的Web服务。当服务器配置了基于IP地址的SSL证书后,用户可以通过“https:…

第十届蓝桥杯大赛个人赛省赛(软件类)真题- CC++ 研究生组-字串数字

3725573269 #include<iostream> #include<map> #include<string> using namespace std; int main(){map<char, int> mp;string s "LANQIAO";long long ans 0, power 1;//7位数的26进制可能会超过int范围for(int i 1; i < 26; i){mp.…

深度学习(过拟合 欠拟合)

过拟合&#xff1a; 深度学习模型由于其复杂性&#xff0c;往往容易出现过拟合的问题。以下是一些深度学习中常见的过拟合原因和解决方法&#xff1a; 1. 数据量不足&#xff1a;深度学习模型通常需要大量的数据来进行训练&#xff0c;如果数据量不足&#xff0c;模型容易过度…

富格林:可信操作实现安全做单

富格林认为&#xff0c;现货黄金最近又又创历史新高了&#xff0c;不少投资者都嗅到其好处跃跃欲试想进场操作一番。但事实上&#xff0c;若希望实现安全做单&#xff0c;还是得要熟练掌握可信的黄金操作技巧。富格林为让大家顺利实现安全交易&#xff0c;特地总结了以下可信操…

vue3怎么使用reactive赋值

使用ref赋值&#xff1a; const list ref([]) const getList async () > {const res await axios.get(/list)list.value res.data } 如何使用reactive来替换呢&#xff1f; //const list ref([]) const list reactive([]) const getList async () > {const res…

NLP 笔记:LDA(训练篇)

1 前言&#xff1a;吉布斯采样 吉布斯采样的基本思想是&#xff0c;通过迭代的方式&#xff0c;逐个维度地更新所有变量的状态 1.1 举例 收拾东西 假设我们现在有一个很乱的屋子&#xff0c;我们不知道东西应该放在哪里&#xff08;绝对位置&#xff09;&#xff0c;但知道哪…