Skip to content
体验新版
项目
组织
正在加载...
登录
切换导航
打开侧边栏
OpenDocCN
d2l-zh
提交
d73230ff
D
d2l-zh
项目概览
OpenDocCN
/
d2l-zh
通知
2
Star
0
Fork
0
代码
文件
提交
分支
Tags
贡献者
分支图
Diff
Issue
0
列表
看板
标记
里程碑
合并请求
0
Wiki
0
Wiki
分析
仓库
DevOps
项目成员
Pages
D
d2l-zh
项目概览
项目概览
详情
发布
仓库
仓库
文件
提交
分支
标签
贡献者
分支图
比较
Issue
0
Issue
0
列表
看板
标记
里程碑
合并请求
0
合并请求
0
Pages
分析
分析
仓库分析
DevOps
Wiki
0
Wiki
成员
成员
收起侧边栏
关闭侧边栏
动态
分支图
创建新Issue
提交
Issue看板
体验新版 GitCode,发现更多精彩内容 >>
提交
d73230ff
编写于
7月 17, 2018
作者:
A
Aston Zhang
浏览文件
操作
浏览文件
下载
电子邮件补丁
差异文件
revise how to use and eval_acc
上级
fbdfc993
变更
3
隐藏空白更改
内联
并排
Showing
3 changed file
with
1 addition
and
43 deletion
+1
-43
chapter_introduction/how-to-use.md
chapter_introduction/how-to-use.md
+1
-18
chapter_recurrent-neural-networks/rnn-gluon.md
chapter_recurrent-neural-networks/rnn-gluon.md
+0
-23
gluonbook/utils.py
gluonbook/utils.py
+0
-2
未找到文件。
chapter_introduction/how-to-use.md
浏览文件 @
d73230ff
# 如何使用
在本书中,我们不仅阐述深度学习的技术与应用,还使用Apache MXNet(incubating)及其最新的Gluon接口演示如何实现它们。
除了
视频课程和
讨论区以外,我们将利用Jupyter notebook能将文字、代码、公式和图像统一起来的优势,提供一个交互式的学习体验。据我们所知,目前还没有如此多方位交互式的深度学习的学习体验。我们将尝试弥补这个空白。
除了讨论区以外,我们将利用Jupyter notebook能将文字、代码、公式和图像统一起来的优势,提供一个交互式的学习体验。据我们所知,目前还没有如此多方位交互式的深度学习的学习体验。我们将尝试弥补这个空白。
## 面向的读者
...
...
@@ -33,22 +33,6 @@
本书所有代码已在MXNet 1.2.0和Python 3.6.4下测试通过。由于深度学习发展极为迅速,未来版本的MXNet可能会造成书中部分代码无法正常运行。如果遇到某一节代码无法正常运行的情况,可安装1.2.0版的MXNet或在该节的讨论区汇报问题。如果你希望安装未来新版本的MXNet并获得该版本下测试通过的新代码,可参考
[
“安装和运行”
](
../chapter_prerequisite/install.md
)
一节更新代码和运行环境。
## 视频课程
本书作者曾在网上直播教学《动手学深度学习》系列课程。这套课程的视频录像可在Bilibili网站或Youtube网站上收看。
*
扫码直达
[
Bilibili网站的视频教程
](
https://space.bilibili.com/209599371/#/channel/detail?cid=23541
)
:
![](
../img/qr_lectures_bilibili.svg
)
*
扫码直达
[
Youtube网站的视频教程
](
https://www.youtube.com/watch?v=kGktiYF5upk&list=PLLbeS1kM6teJqdFzw1ICHfa4a1y0hg8Ax
)
:
![](
../img/qr_lectures_youtube.svg
)
本书基于观众反馈意见对视频课程内容做了部分修改。如果视频与本书有内容不一致,请以本书内容为准。
## 讨论区
本书的学习社区地址是 https://discuss.gluon.ai/ 。当你对书中某节内容有疑惑时,也可以扫一扫该节后面的二维码参与讨论该节内容。值得一提的是,在有关Kaggle比赛章节的讨论区中,众多社区成员提供了丰富的高水平方法。我们强烈推荐大家积极参与学习社区中的讨论,并相信你一定会有所收获。本书作者和MXNet开发人员也时常参与社区中的讨论。
...
...
@@ -63,7 +47,6 @@
## 练习
*
在本书的学习社区 https://discuss.gluon.ai/ 上注册一个账号。搜索关键字Kaggle,浏览其中回复量最大的几个帖子。
*
浏览《动手学深度学习》视频课程列表,比较与本书章节编排顺序的异同。
## 扫码直达[讨论区](https://discuss.gluon.ai/t/topic/6915)
...
...
chapter_recurrent-neural-networks/rnn-gluon.md
浏览文件 @
d73230ff
...
...
@@ -85,19 +85,6 @@ vocab_size = len(corpus.dictionary)
vocab_size
```
```
{.json .output n=4}
[
{
"data": {
"text/plain": "10000"
},
"execution_count": 4,
"metadata": {},
"output_type": "execute_result"
}
]
```
## 定义循环神经网络模型库
我们可以定义一个循环神经网络模型库。这样我们就可以使用以ReLU或tanh函数为激活函数的循环神经网络,以及长短期记忆和门控循环单元。和本章中其他实验不同,这里使用了Embedding实例将每个词索引变换成一个长度为
`embed_size`
的词向量。这些词向量实际上也是模型参数。在随机初始化后,它们会在模型训练结束时被学到。此外,我们使用了丢弃法来应对过拟合。
...
...
@@ -267,16 +254,6 @@ print('test loss %.2f, perplexity %.2f'
% (test_l.asscalar(), test_l.exp().asscalar()))
```
```
{.json .output n=None}
[
{
"name": "stdout",
"output_type": "stream",
"text": "epoch 1, batch 1000, train loss 7.04, perplexity 1136.45\nepoch 1, batch 2000, train loss 6.37, perplexity 584.98\n"
}
]
```
## 小结
*
我们可以使用Gluon训练循环神经网络。它更简洁,例如无需我们手动实现含有多个隐藏层的复杂模型。
...
...
gluonbook/utils.py
浏览文件 @
d73230ff
...
...
@@ -99,8 +99,6 @@ def evaluate_accuracy(data_iter, net, ctx=[mx.cpu()]):
ctx
=
[
ctx
]
acc
=
nd
.
array
([
0
])
n
=
0
if
isinstance
(
data_iter
,
mx
.
io
.
MXDataIter
):
data_iter
.
reset
()
for
batch
in
data_iter
:
features
,
labels
,
batch_size
=
_get_batch
(
batch
,
ctx
)
for
X
,
y
in
zip
(
features
,
labels
):
...
...
编辑
预览
Markdown
is supported
0%
请重试
或
添加新附件
.
添加附件
取消
You are about to add
0
people
to the discussion. Proceed with caution.
先完成此消息的编辑!
取消
想要评论请
注册
或
登录