首页 深度学习

深入理解深度学习的方法：

亲自实现，从 0 开始编写可实现运行的程序，一边看源码，一边思考

课程信息：

课程安排 - 动手学深度学习课程 (d2l.ai)

认识一下 Colab

Colab 使用教程（超级详细版）及 Colab Pro/Pro + 评测 - 知乎 (zhihu.com)

# 深度学习应用

# 图像分类

http://www.image-net.org/

ImageNet: the data that spawned the current AI boom (qz.com)

# 物体检测和分割

image-20240213204425211

分割指的是某个像素点属于哪个物体

matterport/Mask_RCNN: Mask R-CNN for object detection and instance segmentation on Keras and TensorFlow (github.com)

# 样式迁移

风格变换

zhanghang1989/MXNet-Gluon-Style-Transfer: Neural Style and MSG-Net (github.com)

# 人脸合成

Karras et al, ICLR 2018

# 文字生成图片

https://openai.com/blog/dall-e/

# 完整的故事

领域专家（实现产品应用）

数据科学家（data->model）

AI 专家（提升模型精度和性能）

# 安装

# 步骤

# 登录

仅参考，李沐老师亚马逊平台 ubuntu 系统

1
ssh ubuntu@100.20.65.33

# 升级服务器系统

1
sudo apt update

# 装一些 GCC 这类编译开发环境

1
sudo apt install build-essential

# 安装 python

1
sudo apt install python3.8

# 安装 miniconda

打开官网

Miniconda — Anaconda documentation

复制所需要的下载连接

这里 Linux 安装到服务器

1
wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh

# 启动

1
bash Miniconda3-latest-Linux-x86_64.sh

一直回车到 yes

1
bash

进入 conda 环境：刚开始最基础的 base 环境

# 创建一个新环境

1
conda create -n lm

# 激活

1
conda activate lm

# 安装记事本

1
pip install jupyter d2l torch torchvision

（国内慢提前安装个源）

image-20240213211231841

# 复制链接

1
wget https://zh-v2.d2l.ai/d2l-zh.zip

# 安装 zip

1
conda install zip

# 查看

1
ls

# 解压文件

1
unzip d2l-zh.zip

1
git clone https://github.com/d2l-ai/d2l-zh-pytorch-slides.git

1
jupyter notebook

本地 prompt 操作！！

需要把远程机器的端口映射运行在本地

m 神操作

1
ssh -L8888:localhost:8888 ubuntu@100.20.65.33

1
ssh -L8888:localhost:8888 thjin@yuanshen.moe

再 vscode 点击 8888 进入

image-20240213213900135

这个场景

image-20240213214121778

继续 prompt

别忘了启动对应的环境

# 下载插件

1
pip install rise

下载之后 jupyter 就可以直接用了

# 补充

  • 删除单个文件（所有系统）：

    Code

    1
    1rm filename.ext

    或（Windows）

    Code

    1
    1del filename.ext

  • 删除空文件夹（所有系统）：

    Code

    1
    1rmdir foldername

    或（Windows）

    Code

    1
    1rmdir /S /Q foldername  # 使用/S/Q参数强制删除非空目录及其内容

  • 删除非空文件夹及其中的所有内容（所有系统）：

    Code

    1
    1rm -rf foldername

    注意：在使用 rm -rf 时要格外小心，因为它会立即、不可逆地删除指定的文件夹及其包含的所有内容。

image-20240213202207539

# 数据操作

课程安排 - 动手学深度学习课程 (d2l.ai)

# 导入

首先，我们导入 torch 。请注意，虽然它被称为 PyTorch，但我们应该导入 torch 而不是 pytorch

In [1]:

1
import torch

# 张量表示由一个数值组成的数组，这个数组可能有多个维度

In [2]:

1
2
x = torch.arange(12)
x

Out[2]:

1
tensor([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11])

# 可以通过张量的 shape 属性来访问张量的形状 和张量中元素的总数

In [3]:

1
x.shape

Out[3]:

1
torch.Size([12])

In [4]:

1
x.numel()  #numel张量大小

Out[4]:

1
12

# 要改变一个张量的形状而不改变元素数量和元素值，可以调用 reshape 函数

In [5]:

1
2
X = x.reshape(3, 4)
X

Out[5]:

1
2
3
tensor([[ 0,  1,  2,  3],
        [ 4,  5,  6,  7],
        [ 8,  9, 10, 11]])

# 使用全 0、全 1、其他常量或者从特定分布中随机采样的数字

In [6]:

1
torch.zeros((2, 3, 4))

Out[6]:

1
2
3
4
5
6
7
tensor([[[0., 0., 0., 0.],
         [0., 0., 0., 0.],
         [0., 0., 0., 0.]],

        [[0., 0., 0., 0.],
         [0., 0., 0., 0.],
         [0., 0., 0., 0.]]])

In [7]:

1
torch.ones((2, 3, 4))

Out[7]:

1
2
3
4
5
6
7
tensor([[[1., 1., 1., 1.],
         [1., 1., 1., 1.],
         [1., 1., 1., 1.]],

        [[1., 1., 1., 1.],
         [1., 1., 1., 1.],
         [1., 1., 1., 1.]]])

In [8]:

1
torch.randn(3, 4)

Out[8]:

1
2
3
tensor([[ 0.2104,  1.4439, -1.3455, -0.8273],
        [ 0.8009,  0.3585, -0.2690,  1.6183],
        [-0.4611,  1.5744, -0.4882, -0.5317]])

# 通过提供包含数值的 Python 列表（或嵌套列表）来为所需张量中的每个元素赋予确定值

In [9]:

1
2
torch.tensor([[2, 1, 4, 3], [1, 2, 3, 4], [4, 3, 2, 1]])
torch.tensor([[2, 1, 4, 3], [1, 2, 3, 4], [4, 3, 2, 1]]).shape

Out[9]:

1
2
3
4
tensor([[2, 1, 4, 3],
        [1, 2, 3, 4],
        [4, 3, 2, 1]])
torch.Size([1,3,4])

常见的标准算术运算符（ + 、 - 、 * 、 / 和 ** ）都可以被升级为按元素运算

In [10]:

1
2
3
x = torch.tensor([1.0, 2, 4, 8])
y = torch.tensor([2, 2, 2, 2])
x + y, x - y, x * y, x / y, x**y

Out[10]:

1
2
3
4
5
(tensor([ 3.,  4.,  6., 10.]),
 tensor([-1.,  0.,  2.,  6.]),
 tensor([ 2.,  4.,  8., 16.]),
 tensor([0.5000, 1.0000, 2.0000, 4.0000]),
 tensor([ 1.,  4., 16., 64.]))

# 按按元素方式应用更多的计算

In [11]:

1
torch.exp(x) #每个数的指数

Out[11]:

1
tensor([2.7183e+00, 7.3891e+00, 5.4598e+01, 2.9810e+03])

# 我们也可以把多个张量 连结（concatenate） 在一起

In [12]:

1
2
3
4
X = torch.arange(12, dtype=torch.float32).reshape((3, 4))
Y = torch.tensor([[2.0, 1, 4, 3], [1, 2, 3, 4], [4, 3, 2, 1]])
torch.cat((X, Y), dim=0), torch.cat((X, Y), dim=1)
# dim=0 按行拼接  dim=1 按列拼接

Out[12]:

1
2
3
4
5
6
7
8
9
(tensor([[ 0.,  1.,  2.,  3.],
         [ 4.,  5.,  6.,  7.],
         [ 8.,  9., 10., 11.],
         [ 2.,  1.,  4.,  3.],
         [ 1.,  2.,  3.,  4.],
         [ 4.,  3.,  2.,  1.]]),
 tensor([[ 0.,  1.,  2.,  3.,  2.,  1.,  4.,  3.],
         [ 4.,  5.,  6.,  7.,  1.,  2.,  3.,  4.],
         [ 8.,  9., 10., 11.,  4.,  3.,  2.,  1.]]))

# 数据预处理通过 逻辑运算符 构建二元张量

In [13]:

1
X == Y

Out[13]:

1
2
3
tensor([[False,  True, False,  True],
        [False, False, False, False],
        [False, False, False, False]])

# 求和

对张量中的所有元素进行求和会产生一个只有一个元素的张量

In [14]:

1
X.sum()

Out[14]:

1
tensor(66.)

# 广播体制

即使形状不同，我们仍然可以通过调用 广播机制 （broadcasting mechanism） 来执行按元素操作

In [15]:

1
2
3
a = torch.arange(3).reshape((3, 1)) #3行1列
b = torch.arange(2).reshape((1, 2))
a, b

Out[15]:

1
2
3
4
(tensor([[0],
         [1],
         [2]]),
 tensor([[0, 1]]))

In [16]:

1
a + b  #广播机制 需要均有1维

Out[16]:

1
2
3
tensor([[0, 1],
        [1, 2],
        [2, 3]])

# 可以用 [-1] 选择最后一个元素，可以用 [1:3] 选择第二个和第三个元素

In [17]:

1
2
X[-1] #最后一行
, X[1:3]

Out[17]:

1
2
3
(tensor([ 8.,  9., 10., 11.]),
 tensor([[ 4.,  5.,  6.,  7.],
         [ 8.,  9., 10., 11.]]))

# 除读取外，我们还可以通过指定索引来将元素写入矩阵

In [18]:

1
2
3
X[1, 2] = 9
#相当于 x[0:1,0:2]
X

Out[18]:

1
2
3
tensor([[ 0.,  1.,  2.,  3.],
        [ 4.,  5.,  9.,  7.],
        [ 8.,  9., 10., 11.]])

# 为多个元素赋值相同的值，我们只需要索引所有元素，然后为它们赋值

In [19]:

1
2
X[0:2, :] = 12
X

Out[19]:

1
2
3
tensor([[12., 12., 12., 12.],
        [12., 12., 12., 12.],
        [ 8.,  9., 10., 11.]])

# 内存问题

运行一些操作可能会导致为新结果分配内存

python 引用语义

id 相当于 c 中的指针

In [20]:

1
2
3
before = id(Y)
Y = Y + X #产生了一个新的Y
id(Y) == before

Out[20]:

1
False

# 执行原地操作

In [21]:

1
2
3
4
5
6
Z = torch.zeros_like(Y)
print('id(Z):', id(Z))
Z[:] = X + Y
print('id(Z):', id(Z))
id(Z): 140452400950336
id(Z): 140452400950336

# 如果在后续计算中没有重复使用 X ，我们也可以使用 X[:] = X + Y 或 X += Y 来减少操作的内存开销

In [22]:

1
2
3
before = id(X)
X += Y
id(X) == before

Out[22]:

1
True

# 转换为 NumPy 张量

In [23]:

1
2
3
A = X.numpy()
B = torch.tensor(A)
type(A), type(B)

Out[23]:

1
(numpy.ndarray, torch.Tensor)

numpy 外部库，需要 import

# 将大小为 1 的张量转换为 Python 标量

In [24]:

1
2
a = torch.tensor([3.5])
a, a.item(), float(a), int(a)

Out[24]:

1
(tensor([3.5000]), 3.5, 3.5, 3)

# 数据预处理

# 创建一个人工数据集，并存储在 csv（逗号分隔值）文件

In [1]:

1
2
3
4
5
6
7
8
9
10
import os

os.makedirs(os.path.join('..', 'data'), exist_ok=True)
data_file = os.path.join('..', 'data', 'house_tiny.csv')
with open(data_file, 'w') as f:
    f.write('NumRooms,Alley,Price\n')
    f.write('NA,Pave,127500\n')
    f.write('2,NA,106000\n')
    f.write('4,NA,178100\n')
    f.write('NA,NA,140000\n')

# 从创建的 csv 文件中加载原始数据集

In [2]:

1
2
3
4
5
6
7
8
9
import pandas as pd

data = pd.read_csv(data_file)
print(data)
   NumRooms Alley   Price
0       NaN  Pave  127500
1       2.0   NaN  106000
2       4.0   NaN  178100
3       NaN   NaN  140000

直接输出 data 会好看一些

一般 csv 与 pandas 一起

# 为了处理缺失的数据，典型的方法包括插值和删除， 这里，我们将考虑插值

In [3]:

1
2
3
4
5
6
7
8
inputs, outputs = data.iloc[:, 0:2], data.iloc[:, 2]
inputs = inputs.fillna(inputs.mean())
print(inputs)
   NumRooms Alley
0       3.0  Pave
1       2.0   NaN
2       4.0   NaN
3       3.0   NaN

# 对于 inputs 中的类别值或离散值，我们将 “NaN” 视为一个类别

In [4]:

1
2
inputs = pd.get_dummies(inputs, dummy_na=True)
print(inputs)

1
2
3
4
5
   NumRooms  Alley_Pave  Alley_nan
0       3.0           1          0
1       2.0           0          1
2       4.0           0          1
3       3.0           0          1

现在 inputs 和 outputs 中的所有条目都是数值类型，它们可以转换为张量格式

In [5]:

1
2
3
4
import torch

X, y = torch.tensor(inputs.values), torch.tensor(outputs.values)
X, y

Out[5]:

1
2
3
4
5
(tensor([[3., 1., 0.],
         [2., 0., 1.],
         [4., 0., 1.],
         [3., 0., 1.]], dtype=torch.float64),
 tensor([127500, 106000, 178100, 140000]))

image-20240214012040421

tensor 是数学上的一个概念 array 是计算机一个概念

# 下载电子书

image-20240208194727799

# zlibrary

由于 free 经常被免费下架

最新版网址获取方式：

1
blackbox@zlib.se

向这个邮箱发任意信息，等几分钟就会回复最新版的网址

image-20240208200237222

image-20240208200405438