发帖
雷达卡
然而随着我们掷硬币的次数越多，出现正面朝上的概率也就在大致上越接近于1/2。在概率学上类似现象被称为“大数定律”。
通过将模型应用到例证，深度学习允许我们执行很多复杂任务，如机器翻译、玩战略游戏以及在杂乱无章的场景中识别物体等。为了在实践中做到这一点，我们需要灵活且高效的工具，以便能够适用于这些复杂任务，能够在合理的时间内对大量数据进行训练。我们需要已被训练过的模型在输入变量变化的情况下正确执行。接下来看看我们决定使用PyTorch 的一些原因。
我参考的是这个资料，应该是收费的。
《Pytorch深度学习实战》中英文PDF，有书签，文字可复制；作者:伊莱史蒂文斯，牟大恩译，配套源代码。
下载: https://pan.baidu.com/s/1BoDOU4KRvl7kJyH3M5PMZw?pwd=cz38
提取码: cz38
首先，正如Python 一样，PyTorch 有一个扩展名为“.py”的文件，但在该文件中有很多非Python 代码。事实上，由于性能原因，PyTorch 大部分是用C++和CUDA 编写的，CUDA 是一种来自英伟达的类C++的语言，可以被编译并在GPU 上以并行方式运行。有一些方法可以直接在C++环境中运行PyTorch。此功能的动机之一是为生产环境中部署模型提供可靠的策略。但是，大多数情况下我们都是使用Python 来与PyTorch 交互的，包括构建模型、训练模型以及使用训练过的模型解决实际问题等。实际上，Python API 正是PyTorch 在可用性以及与更广泛Python 生态系统集成方面的亮点。
PyTorch 是一个机器学习框架，主要依靠深度神经网络，目前已迅速成为机器学习领域中最可靠的框架之一。使用Python 和PyTorch 实现深度学习算法。首先介绍PyTorch的核心知识，然后带领读者体验一个真实的案例研究项目：构建能够使用CT 扫描检测算法。学习用有限的输入训练网络，并处理数据，以获得一些结果。将筛选出不可靠的初始结果，并专注于诊断和修复神经网络中的问题。最后，将研究通过增强数据训练、改进模型体系结构和执行其他微调来改进结果的方法。通过这个真实的案例，会发现PyTorch 是多
么有效和有趣，并掌握在生产中部署PyTorch 模型的技能。
卷积神经网络的引入彻底改变了计算机视觉，基于图像的系统从此获得了一系列全新的能力。通过使用成对的输入和期望的输出样本来训练端到端网络，那些需要高度调优算法构建块的复杂的流水线问题现在可以以前所未有的方式得到解决。为了参与这场“革命”，我们需要以常见的图像格式加载图像，然后将数据转换为张量表示，其中图像的各个部分按照PyTorch 期望的方式进行排列。图像被表示为一个排列在具有高度和宽度的规则网格中的标量集合，其中高度和宽度以像素为单位。每个网格点（像素）可能有一个标量，它将被表示为一个灰度图像；或者每个网格点有多个标量，这时每个标量通常会呈现不同的颜色，或不同的特性，如深度相机的深度。代表单个像素值的标量通常使用8 位整数编码，就像在消费级数码相机中一样。在医学、科学和工业应用中，发现更高的数字精度并不罕见，如12 位或16 位。当用像素对物理属性（如骨密度、温度或深度）进行编码时，这允许数值具有更大范围或更高的灵敏度。
我们可以认为，从数据中学习的假设是基础模型不是为了解决特定问题而设计的（就像开普勒研究中的椭圆一样），而是能够近似更广泛的函数族。神经网络可以很好地预测Tycho Brahe的轨迹，而不需要依靠开普勒闪电般的洞察力来尝试将数据拟合成椭圆。然而，牛顿要从一个普通模型中推导出他的万有引力定律要困难得多。
我们感兴趣的模型不是为解决特定的狭义任务而设计的，而是可以自动适应使用相似输入和输出对的任何任务。换句话说，一般模型训练的数据与手头的特定任务相关。特别是，PyTorch 的设计使其易于创建模型，其中拟合误差对参数的导数可以解析表示。如果最后一句话你没有理解，不用担心，接下来将有一个完整的部分为你解释清楚。
提升卡
置顶卡
沉默卡
变色卡
抢沙发
千斤顶
显身卡
京公网安备 11010802022788号
