深度学习的优秀概述
2022年2月15日整理发布:使用 PyTorch进行深度学习的第一部分跨越八章,介绍了关键的深度学习概念。作者在分解复杂主题方面做得非常出色,比如梯度下降,卡通画和具体例子。您将在本节中看到的许多内容与Python 机器学习书籍中的深度学习介绍重叠,但增加了更多深度。
使用 PyTorch 进行深度学习将带您了解 PyTorch 的历史及其演变为最流行的深度学习 Python 库之一。您还将看到使用 PyTorch 进行深度学习管道的非常直观和高级别的概述。当您深入了解库的函数和类的细节时,这个缩小的视图将帮助您将各个部分组合在一起。
我真正喜欢这本书的一件事是它采用 Python 深度学习的实用方法。在手动创建深度神经网络之前,作者介绍了 TorchVision,这是一个可以集成到应用程序中的预训练深度学习模型库。
因此,在创建自己的模型之前,您将学习如何使用其他人已经经历过痛苦创建的模型,这是该领域的常见做法。事实上,您可以使用预训练的生成对抗网络,将马变成斑马。
深度学习介绍还有一个关于张量的深入章节,张量是深度学习计算的基本组成部分。使用 PyTorch 进行深度学习涵盖了张量的数学、编码和硬件方面,包括张量的 CPU 和 GPU 计算之间的存储和差异。
鉴于机器学习中许多必须避免的陷阱都处于数据准备阶段,因此本书对数据预处理进行了很好的介绍。这本书有一整章专注于为神经网络准备数据这一事实非常受欢迎,并强调了深度学习这个经常被忽视的方面的重要性。
抛开基础知识,作者介绍了 PyTorch 中关键深度学习结构的实现,包括基本模块和现成的结构,例如卷积神经网络(Conv2d)、最大池化层 (MaxPool2d)、dropout 和批处理正常化。如果您已经有使用过其他 Python 深度学习库(例如 TensorFlow)的经验,则可以将这些知识映射到 PyTorch。如果这是您关于该主题的第一本书,那么使用 PyTorch 进行深度学习会在演示编码技术之前对每个概念进行全面解释。
您还将进行一些 PyTorch 定制,包括创建残差网络 (resnet),这是计算机视觉应用程序中非常流行的构造。作者的目标(在我看来他们做到了完美)是,用他们自己的话来说,是“熟练地将论文背后的数学转化为实际的 PyTorch 代码,或者至少理解其他人以相同意图编写的代码。 ”