Skip to content

A
apachecn-dl-zh

大唐爆破僧 / apachecn-dl-zh
与 Fork 源项目一致

Fork自 OpenDocCN / apachecn-dl-zh

通知 1
Star 0
Fork 0
A
apachecn-dl-zh

前往新版Gitcode，体验更适合开发者的 AI 搜索 >>

提交 db42a98f 编写于 作者: W wizardforcel
浏览文件
操作

2021-01-13 15:24:27

上级 0184663e
隐藏空白更改
内联 并排
Showing with 33 addition and 33 deletion
new/dl-pt-workshop/0.md
浏览文件 @ db42a98f
......@@ -102,7 +102,7 @@ random.set_seed（种子）
## 在 Windows 和 macOS 上安装 Python
1. 请访问以下链接下载 Python 3.7： [https://www.python.org/downloads/release/python-376/](https://www.python.org/downloads/release/python-376/) 。
1. [请访问以下链接下载 Python 3.7](https://www.python.org/downloads/release/python-376/)。
2. At the bottom of the page, locate the table under the heading **Files**:
对于 Windows，单击 64 位的 **Windows x86-64 可执行安装程序**或 32 位的 **Windows x86 可执行安装程序**。
......@@ -110,7 +110,7 @@ random.set_seed（种子）
对于 macOS，对于 macOS X 10.6 和更高版本，单击 **macOS 64 位/ 32 位安装程序**，对于 OS X 10.9 和更高版本，单击 **macOS 64 位安装程序**。
3. 运行已下载的安装程序。
4. 您还可以使用 Anaconda 发行版安装 Python。 请遵循此链接中给出的说明以获取更多详细信息： [https://www.anaconda.com/products/individual](https://www.anaconda.com/products/individual)
4. 您还可以使用 Anaconda 发行版安装 Python。 [请遵循此链接中给出的说明以获取更多详细信息](https://www.anaconda.com/products/individual)。
## 在 Linux 上安装 Python
......@@ -118,7 +118,7 @@ random.set_seed（种子）
须藤 apt-get install python3.7
您还可以使用 Anaconda 发行版安装 Python。 请遵循此链接中给出的说明以获取更多详细信息： [https://www.anaconda.com/products/individual](https://www.anaconda.com/products/individual)
您还可以使用 Anaconda 发行版安装 Python。 [请遵循此链接中给出的说明以获取更多详细信息](https://www.anaconda.com/products/individual)。
## 安装 pip
......@@ -130,7 +130,7 @@ pip --version
如果您的计算机无法识别 **pip** （或 **pip3** ）命令，请按照以下步骤进行安装：
1. 要安装 **pip** ，请访问以下链接并下载 **get-pip.py** 文件： [https://pip.pypa.io/zh/stable/installing/ [](https://pip.pypa.io/en/stable/installing/) 。
1. 要安装 **pip** ，[请访问以下链接并下载 **get-pip.py** 文件](https://pip.pypa.io/en/stable/installing/)。
2. Then, on the Terminal or Command Prompt, use the following command to install it:
python get-pip.py
......@@ -141,13 +141,13 @@ pip --version
要安装带有或不带有 CUDA 的 PyTorch，请按照以下步骤操作：
1. 请访问以下链接： [https://pytorch.org/get-started/locally/](https://pytorch.org/get-started/locally/) 。
1. [请访问以下链接](https://pytorch.org/get-started/locally/)。
2. 在**本地启动**标题下，选择适用于您的选项。 这将为您提供在本地计算机上下载 PyTorch 所需执行的命令。 使用 **pip** 作为软件包下载 PyTorch。
3. 复制命令并在终端或命令提示符中运行它。
## 安装库
**点**预先安装了 Anaconda。 将 Anaconda 安装到计算机上后，可以使用 **pip** 安装所有必需的库，例如， **pip install numpy** 。 或者，您可以使用 **pip install -r requirements.txt** 安装所有必需的库。 您可以在 [https://packt.live/3ih86lh](https://packt.live/3ih86lh) 上找到 **requirements.txt** 文件。
**点**预先安装了 Anaconda。 将 Anaconda 安装到计算机上后，可以使用 **pip** 安装所有必需的库，例如， **pip install numpy** 。 或者，您可以使用 **pip install -r requirements.txt** 安装所有必需的库。 您可以在[这个页面](https://packt.live/3ih86lh)上找到 **requirements.txt** 文件。
练习和活动将在 Jupyter 笔记本中执行。 Jupyter 是一个 Python 库，可以通过与其他 Python 库相同的方式进行安装-也就是说，通过 **pip install jupyter** 可以安装，但是幸运的是，它已经预装了 Anaconda。 要打开笔记本，只需在终端或命令提示符中运行命令 **jupyter notebook** 。
......@@ -163,7 +163,7 @@ pip --version
## 访问代码文件
您可以在 [https://packt.live/38qLadV](https://packt.live/38qLadV) 中找到本书的完整代码文件。 您还可以使用 [https://packt.live/3ieFDg1](https://packt.live/3ieFDg1) 上的交互式实验室环境，直接在 Web 浏览器中运行许多活动和练习。
您可以在[这个页面](https://packt.live/38qLadV)中找到本书的完整代码文件。 您还可以使用[这个页面](https://packt.live/3ieFDg1)上的交互式实验室环境，直接在 Web 浏览器中运行许多活动和练习。
我们已尝试支持所有活动和练习的交互式版本，但对于不提供此支持的实例，我们也建议您进行本地安装。
......
new/dl-pt-workshop/1.md
浏览文件 @ db42a98f
......@@ -97,7 +97,7 @@ torch.cuda.is_available（）
注意
要与 CUDA 软件包一起安装 PyTorch，请访问 PyTorch 的网站，并确保选择包含 CUDA（两个版本）的选项： [https://pytorch.org/get-started/locally/](https://pytorch.org/get-started/locally/) 。
要与 CUDA 软件包一起安装 PyTorch，请访问 PyTorch 的网站，[并确保选择包含 CUDA（两个版本）的选项](https://pytorch.org/get-started/locally/)。
## 什么是张量？
......@@ -201,11 +201,11 @@ size =（3,3））。type（torch.FloatTensor）
注意
要访问此特定部分的源代码，请参考 [https://packt.live/3dOS66H](https://packt.live/3dOS66H) 。
要访问此特定部分的源代码，请参考[这里](https://packt.live/3dOS66H)。
您也可以通过 [https://packt.live/2VwTLHq](https://packt.live/2VwTLHq) 在线运行此示例。 您必须执行整个笔记本才能获得所需的结果。
您也可以通过[这里](https://packt.live/2VwTLHq)在线运行此示例。 您必须执行整个笔记本才能获得所需的结果。
要访问此源代码的 GPU 版本，请参考 [https://packt.live/31AwIzo](https://packt.live/31AwIzo) 。 此版本的源代码无法作为在线交互示例使用，需要通过 GPU 设置在本地运行。
要访问此源代码的 GPU 版本，请参考[这里](https://packt.live/31AwIzo)。 此版本的源代码无法作为在线交互示例使用，需要通过 GPU 设置在本地运行。
您已经成功创建了不同等级的张量。
......@@ -325,7 +325,7 @@ loss_funct = nn.MSELoss（）
本练习中使用 **torch.manual_seed（0）**，以确保在本书的 GitHub 存储库中获得的结果具有可重复性。 但是，在出于其他目的训练网络时，不得定义种子。
要了解有关 PyTorch 中种子的更多信息，请访问 [https://pytorch.org/docs/stable/notes/randomness.html](https://pytorch.org/docs/stable/notes/randomness.html) 。
要了解有关 PyTorch 中种子的更多信息，请访问[这里](https://pytorch.org/docs/stable/notes/randomness.html)。
2. Define the number of features of the input data as **10** (**input_units**) and the number of nodes of the output layer as **1** (**output_units**):
......@@ -367,9 +367,9 @@ loss_funct = nn.MSELoss（）
注意
要访问此特定部分的源代码，请参考 [https://packt.live/2YNwyTy](https://packt.live/2YNwyTy) 。
要访问此特定部分的源代码，请参考[这里](https://packt.live/2YNwyTy)。
您也可以通过 [https://packt.live/2YOVPws](https://packt.live/2YOVPws) 在线运行此示例。 您必须执行整个笔记本才能获得所需的结果。
您也可以通过[这里](https://packt.live/2YOVPws)在线运行此示例。 您必须执行整个笔记本才能获得所需的结果。
您已经成功定义了单层网络体系结构。
......@@ -507,9 +507,9 @@ Optimizer.step（）
注意
要访问此特定部分的源代码，请参考 [https://packt.live/2NJrPfd](https://packt.live/2NJrPfd) 。
要访问此特定部分的源代码，请参考[这里](https://packt.live/2NJrPfd)。
您也可以通过 [https://packt.live/2BTnXWw](https://packt.live/2BTnXWw) 在线运行此示例。 您必须执行整个笔记本才能获得所需的结果。
您也可以通过[这里](https://packt.live/2BTnXWw)在线运行此示例。 您必须执行整个笔记本才能获得所需的结果。
这样，您就成功地训练了单层神经网络。
......@@ -521,20 +521,20 @@ Optimizer.step（）
注意
用于此活动的数据集来自 UC Irvine 机器学习存储库，该存储库可使用以下 URL 从**数据文件夹**超链接中下载： [https：//archive.ics。 uci.edu/ml/datasets/Somerville+Happiness+Survey](https://archive.ics.uci.edu/ml/datasets/Somerville+Happiness+Survey) 。 也可以在本书的 GitHub 存储库中找到它： [https://packt.live/38gzpr5](https://packt.live/38gzpr5) 。
用于此活动的数据集来自 UC Irvine 机器学习存储库，[该存储库可使用以下 URL 从**数据文件夹**超链接中下载](https://archive.ics.uci.edu/ml/datasets/Somerville+Happiness+Survey)。 [也可以在本书的 GitHub 存储库中找到它](https://packt.live/38gzpr5)。
1. 导入所需的库，包括用于读取 CSV 文件的熊猫。
2. Read the CSV file containing the dataset.
注意
建议使用熊猫的 **read_csv** 函数加载 CSV 文件。 要了解有关此功能的更多信息，请访问 [https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.read_csv.html](https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.read_csv.html) 。
建议使用熊猫的 **read_csv** 函数加载 CSV 文件。 要了解有关此功能的更多信息，请访问[这里](https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.read_csv.html)。
3. Separate the input features from the target. Note that the target is located in the first column of the CSV file. Next, convert the values into tensors, making sure the values are converted into floats.
注意
要切片 pandas DataFrame，请使用 pandas 的 **iloc** 方法。 要了解有关此方法的更多信息，请访问 [https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.iloc.html](https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.iloc.html) 。
要切片 pandas DataFrame，请使用 pandas 的 **iloc** 方法。 要了解有关此方法的更多信息，请访问[这里](https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.iloc.html)。
4. 定义模型的体系结构，并将其存储在名为 **model** 的变量中。 记住要创建一个单层模型。
5. 定义要使用的损失函数。 在这种情况下，请使用 MSE 损失功能。
......
new/dl-pt-workshop/2.md
浏览文件 @ db42a98f
......@@ -18,7 +18,7 @@
注意
本章中提供的所有代码都可以在以下位置找到： [https://packt.live/34MBauE](https://packt.live/34MBauE) 。
[本章中提供的所有代码都可以在以下位置找到](https://packt.live/34MBauE)。
# 神经网络介绍
......@@ -254,7 +254,7 @@ Rosenblatt 还介绍了权重的概念（ *w* 1， *w* 2，…， *w* n），这
注意
有各种各样的神经网络架构。 本章将解释三种最常用的方法，并在后续各章中对它们的实际实现进行说明。 但是，如果您想了解其他架构，请访问 [http://www.asimovinstitute.org/neural-network-zoo/](http://www.asimovinstitute.org/neural-network-zoo/) 。
有各种各样的神经网络架构。 本章将解释三种最常用的方法，并在后续各章中对它们的实际实现进行说明。 但是，如果您想了解其他架构，请访问[这里](http://www.asimovinstitute.org/neural-network-zoo/)。
## 人工神经网络简介
......@@ -420,7 +420,7 @@ EDA 流程很有用，因为它有助于开发人员发现对于定义操作过
注意
本章中的所有练习都将使用从 UC Irvine 机器学习存储库获得的**设备能量预测数据集**完成，该数据集可从 [https://archive.ics.uci.edu/下载 ml /数据集/设备+能源+预测](https://archive.ics.uci.edu/ml/datasets/Appliances+energy+prediction)。 也可以在本书的 GitHub 存储库中找到它： [https://packt.live/34MBoSw](https://packt.live/34MBoSw )
本章中的所有练习都将使用从 UC Irvine 机器学习存储库获得的**设备能量预测数据集**完成，该数据集可从[这里](https://archive.ics.uci.edu/ml/datasets/Appliances+energy+prediction)下载。 [也可以在本书的 GitHub 存储库中找到它](https://packt.live/34MBoSw)。
**电器能耗预测数据集**包含 4.5 个月的数据，涉及低能耗建筑物中不同房间的温度和湿度测量，目的是预测某些电器使用的能耗。
......@@ -521,9 +521,9 @@ EDA 流程很有用，因为它有助于开发人员发现对于定义操作过
注意
要访问此特定部分的源代码，请参考 [https://packt.live/2CYEglp](https://packt.live/2CYEglp) 。
要访问此特定部分的源代码，请参考[这里](https://packt.live/2CYEglp)。
您也可以通过 [https://packt.live/3ePAg4G](https://packt.live/3ePAg4G) 在线运行此示例。 您必须执行整个笔记本才能获得所需的结果。
您也可以通过[这里](https://packt.live/3ePAg4G)在线运行此示例。 您必须执行整个笔记本才能获得所需的结果。
您已经成功浏览了数据集并处理了潜在问题。
......@@ -581,9 +581,9 @@ EDA 流程很有用，因为它有助于开发人员发现对于定义操作过
注意
要访问此特定部分的源代码，请参考 [https://packt.live/2ZojumJ](https://packt.live/2ZojumJ) 。
要访问此特定部分的源代码，请参考[这里](https://packt.live/2ZojumJ)。
您也可以通过 [https://packt.live/2NLVgxq](https://packt.live/2NLVgxq) 在线运行此示例。 您必须执行整个笔记本才能获得所需的结果。
您也可以通过[这里](https://packt.live/2NLVgxq)在线运行此示例。 您必须执行整个笔记本才能获得所需的结果。
您已成功缩放数据集。
......@@ -722,9 +722,9 @@ EDA 流程很有用，因为它有助于开发人员发现对于定义操作过
注意
要访问此特定部分的源代码，请参考 [https://packt.live/2VxvroW](https://packt.live/2VxvroW) 。
要访问此特定部分的源代码，请参考[这里](https://packt.live/2VxvroW)。
您也可以通过 [https://packt.live/3gcm5H8](https://packt.live/3gcm5H8) 在线运行此示例。 您必须执行整个笔记本才能获得所需的结果。
您也可以通过[这里](https://packt.live/3gcm5H8)在线运行此示例。 您必须执行整个笔记本才能获得所需的结果。
您已成功将数据集分为三个子集。
......@@ -744,11 +744,11 @@ EDA 流程很有用，因为它有助于开发人员发现对于定义操作过
注意
要下载此活动的数据集，请访问以下 UC Irvine 机器学习存储库 URL： [https://archive.ics.uci.edu/ml/datasets/YearPredictionMSD](https://archive.ics.uci.edu/ml/datasets/YearPredictionMSD) 。
要下载此活动的数据集，[请访问以下 UC Irvine 机器学习存储库 URL](https://archive.ics.uci.edu/ml/datasets/YearPredictionMSD)。
引用：Dua，D.和 Graff，C.（2019）。 UCI 机器学习存储库[ [http://archive.ics.uci.edu/ml](http://archive.ics.uci.edu/ml) ]。 加州尔湾市：加利福尼亚大学信息与计算机科学学院。
引用：Dua，D. 和 Graff，C.（2019）。 [UCI 机器学习存储库](http://archive.ics.uci.edu/ml)。 加州尔湾市：加利福尼亚大学信息与计算机科学学院。
也可以在本书的 GitHub 存储库中找到它： [https://packt.live/38kZzZR](https://packt.live/38kZzZR )
[也可以在本书的 GitHub 存储库中找到它](https://packt.live/38kZzZR)
1. 导入所需的库。
2. 使用熊猫，加载 **.csv** 文件。
......@@ -902,9 +902,9 @@ PyTorch 的构建考虑了该领域许多开发人员的意见，其优点是可
注意
要访问此特定部分的源代码，请参考 [https://packt.live/2NJsQUz](https://packt.live/2NJsQUz) 。
要访问此特定部分的源代码，请参考[这里](https://packt.live/2NJsQUz)。
您也可以通过 [https://packt.live/38nrnNh](https://packt.live/38nrnNh) 在线运行此示例。 您必须执行整个笔记本才能获得所需的结果。
您也可以通过[这里](https://packt.live/38nrnNh)在线运行此示例。 您必须执行整个笔记本才能获得所需的结果。
您已经成功创建并训练了一个深度神经网络来解决回归问题。
......
Markdown is supported
0% 或 .
You are about to add 0 people to the discussion. Proceed with caution.
先完成此消息的编辑！
想要评论请 注册 或