這個項目是中文版《動手學(xué)深度學(xué)習(xí)》中的代碼進行整理，用Pytorch實現(xiàn)，是目前全網(wǎng)最全的Pytorch版本。

項目作者：吳振宇博士

簡介

??Dive-Into-Deep-Learning-PyTorch-PDF這個項目對中文版《動手學(xué)深度學(xué)習(xí)》中的代碼進行整理，并參考一些優(yōu)秀的GitHub項目給出基于PyTorch的實現(xiàn)方法。為了方便閱讀，本項目給出全書PyTorch版的PDF版本。歡迎大家Download，Star，Fork。除了原書內(nèi)容外，我還為每一章增加了本章附錄，用于對該章節(jié)中用到的函數(shù)以及數(shù)學(xué)計算加以詳細說明，除此之外還增加了語義分割網(wǎng)絡(luò)（U-Net）的實現(xiàn)，是目前全網(wǎng)最完整的版本。

項目地址為：https://github.com/wzy6642/Dive-Into-Deep-Learning-PyTorch-PDF。

??項目中包含的文件夾有：

code：用于對書中每一章的代碼進行整理，

data：給出書中用到數(shù)據(jù)的百度云鏈接，

pdf：存放《動手學(xué)深度學(xué)習(xí)》PyTorch版的PDF版本。

??原書作者：阿斯頓·張、李沐、扎卡里 C. 立頓、亞歷山大 J. 斯莫拉以及其他社區(qū)貢獻者。

目錄

• 1. 預(yù)備知識

• • 1.1 數(shù)據(jù)操作

  • 1.2 自動求梯度

  • 1.3 查閱文檔

  • 1.4 本章附錄

• 2. 深度學(xué)習(xí)基礎(chǔ)

• • 2.1 線性回歸

  • 2.2 線性回歸的從零開始實現(xiàn)

  • 2.3 線性回歸的簡潔實現(xiàn)

  • 2.4 softmax回歸

  • 2.5 圖像分類數(shù)據(jù)集（Fashion-MNIST）

  • 2.6 softmax回歸的從零開始實現(xiàn)

  • 2.7 softmax回歸的簡潔實現(xiàn)

  • 2.8 多層感知機

  • 2.9 多層感知機的從零開始實現(xiàn)

  • 2.10 多層感知機的簡潔實現(xiàn)

  • 2.11 模型選擇、欠擬合和過擬合

  • 2.12 權(quán)重衰減

  • 2.13 丟棄法

  • 2.14 正向傳播、反向傳播和計算圖

  • 2.15 數(shù)值穩(wěn)定性和模型初始化

  • 2.16 實戰(zhàn)Kaggle比賽：房價預(yù)測

  • 2.17 本章附錄

• 3. 深度學(xué)習(xí)計算

• • 3.1 模型構(gòu)造

  • 3.2 模型參數(shù)的訪問、初始化和共享

  • 3.3 自定義層

  • 3.4 讀取和存儲

  • 3.5 GPU計算

  • 3.6 本章附錄

• 4. 卷積神經(jīng)網(wǎng)絡(luò)

• • 4.1 二維卷積層

  • 4.2 填充和步幅

  • 4.3 多輸入通道和多輸出通道

  • 4.4 池化層

  • 4.5 卷積神經(jīng)網(wǎng)絡(luò)（LeNet）

  • 4.6 深度卷積神經(jīng)網(wǎng)絡(luò)（AlexNet）

  • 4.7 使用重復(fù)元素的網(wǎng)絡(luò)（VGG）

  • 4.8 網(wǎng)絡(luò)中的網(wǎng)絡(luò)（NiN）

  • 4.9 含并行連結(jié)的網(wǎng)絡(luò)（GoogLeNet）

  • 4.10 批量歸一化

  • 4.11 殘差網(wǎng)絡(luò)（ResNet）

  • 4.12 稠密連接網(wǎng)絡(luò)（DenseNet）

  • 4.13 本章附錄

• 5. 循環(huán)神經(jīng)網(wǎng)絡(luò)

• • 5.1 語言模型

  • 5.2 循環(huán)神經(jīng)網(wǎng)絡(luò)

  • 5.3 語言模型數(shù)據(jù)集（周杰倫專輯歌詞）

  • 5.4 循環(huán)神經(jīng)網(wǎng)絡(luò)的從零開始實現(xiàn)

  • 5.5 循環(huán)神經(jīng)網(wǎng)絡(luò)的簡潔實現(xiàn)

  • 5.6 通過時間反向傳播

  • 5.7 門控循環(huán)單元（GRU）

  • 5.8 長短期記憶（LSTM）

  • 5.9 深度循環(huán)神經(jīng)網(wǎng)絡(luò)

  • 5.10 雙向循環(huán)神經(jīng)網(wǎng)絡(luò)

  • 5.11 本章附錄

• 6. 優(yōu)化算法

• • 6.1 優(yōu)化與深度學(xué)習(xí)

  • 6.2 梯度下降和隨機梯度下降

  • 6.3 小批量隨機梯度下降

  • 6.4 動量法

  • 6.5 AdaGrad算法

  • 6.6 RMSProp算法

  • 6.7 AdaDelta算法

  • 6.8 Adam算法

  • 6.9 本章附錄

• 7. 計算性能

• • 7.1 命令式和符號式混合編程

  • 7.2 自動并行計算

  • 7.3 多GPU計算

  • 7.4 本章附錄

• 8. 計算機視覺

• • 8.1 圖像增廣

  • 8.2 微調(diào)

  • 8.3 目標檢測和邊界框

  • 8.4 錨框

  • 8.5 多尺度目標檢測

  • 8.6 目標檢測數(shù)據(jù)集（皮卡丘）

  • 8.7 單發(fā)多框檢測（SSD）

  • 8.8 區(qū)域卷積神經(jīng)網(wǎng)絡(luò)（R-CNN）系列

  • 8.9 語義分割和數(shù)據(jù)集

  • 8.10 全卷積網(wǎng)絡(luò)（FCN）

  • 8.11 樣式遷移

  • 8.12 實戰(zhàn)Kaggle比賽：圖像分類（CIFAR-10）

  • 8.13 實戰(zhàn)Kaggle比賽：狗的品種識別（ImageNet Dogs）

  • 8.14 語義分割網(wǎng)絡(luò)（U-Net）

  • 8.15 本章附錄

• 9. 自然語言處理

• • 9.1 詞嵌入（word2vec）

  • 9.2 近似訓(xùn)練

  • 9.3 word2vec的實現(xiàn)

  • 9.4 子詞嵌入（fastText）

  • 9.5 全局向量的詞嵌入（GloVe）

  • 9.6 求近義詞和類比詞

  • 9.7 文本情感分類：使用循環(huán)神經(jīng)網(wǎng)絡(luò)

  • 9.8 文本情感分類：使用卷積神經(jīng)網(wǎng)絡(luò)（textCNN）

  • 9.9 編碼器—解碼器（seq2seq）

  • 9.10 束搜索

  • 9.11 注意力機制

  • 9.12 機器翻譯

  • 9.13 本章附錄

環(huán)境

matplotlib==3.3.2
torch==1.1.0
torchvision==0.3.0
torchtext==0.4.0
CUDA Version==11.0

致謝

??感謝本書的作者以及社區(qū)的小伙伴提供這么優(yōu)質(zhì)的學(xué)習(xí)資源，大家學(xué)習(xí)過程中如果發(fā)現(xiàn)內(nèi)容有錯誤或者表達不清晰的地方請及時與我聯(lián)系，QQ：807698462、郵箱：807698462@qq.com。

往期精彩回顧適合初學(xué)者入門人工智能的路線及資料下載機器學(xué)習(xí)及深度學(xué)習(xí)筆記等資料打印機器學(xué)習(xí)在線手冊深度學(xué)習(xí)筆記專輯《統(tǒng)計學(xué)習(xí)方法》的代碼復(fù)現(xiàn)專輯 AI基礎(chǔ)下載機器學(xué)習(xí)的數(shù)學(xué)基礎(chǔ)專輯 本站知識星球“黃博的機器學(xué)習(xí)圈子”（92416895） 本站qq群704220115。 加入微信群請掃碼：

總結(jié)

以上是生活随笔為你收集整理的【深度学习】李沐《动手学深度学习》的PyTorch实现已完成的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。