花生_TL007

这个屌丝很懒，什么也没留下！

热门标签

李宏毅深度学习【持续更新】_李宏毅深度学习教程leedl

作者：花生_TL007 | 2024-05-05 05:59:44

踩

李宏毅深度学习教程leedl

pytorch快速入门

csdn快速入门

https://blog.csdn.net/PolarisRisingWar/article/details/116069338

工具箱dir() 、help() 或者类名??、 ipython交互式操作
pycharm 的好处就是可以看到实时变量的值

OS包

os.path.join() 拼接路径
os.listdir( ) 返回目录下的文件列表

PIL包

from PIL import Image 导入
Image.open(path) 读取图片，读出的图片类型是JepgImageFile类型
img.show() 显示

Opencv包

import cv2
cv2.imread（） 读出的图片类型是numpy

Dataset类

自定义的data类要继承Dataset类

self相当于一个全局变量，以便类中每个函数共享使用，否则就不需要写

eg 数据集url蚂蚁蜜蜂分类数据集和下载连接https://download.pytorch.org/tutorial/hymenoptera_data.zip

from torch.utils.data import Dataset
from PIL import Image
import os
class MyData(Dataset):
    def __init__(self,root_dir,label_dir):
        self.root_dir = root_dir
        self.label_dir = label_dir
        self.path = os.path.join(self.root_dir,self.label_dir)
        self.img_path=os.listdir(self.path)

        
#img_path='/Users/fanzhilin/Downloads/hymenoptera_data/train/ants/0013035.jpg'
    def __getitem__(self,idx):
        img_name = self.img_path[idx]
        img_item_path = os.path.join(self.root_dir,self.label_dir,img_name)
        img =Image.open(img_item_path)
        label = self.label_dir
        return img,label
    
    def __len__(self):
        return len(self.img_path)
    

ants_dataset =MyData('/Users/fanzhilin/Downloads/hymenoptera_data/train','ants')
print(len(ants_dataset))#ants训练集长度 
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25

Tensorboard的使用

需要先转换成tensor类型才能显示

add_scalar()

eg 画出y=2x图

from torch.utils.tensorboard import SummaryWriter

writer = SummaryWriter("logs")# 放在当前目录logs目录，可以自己改名字


# 画出 y =2x 
for i in range(100):
   writer.add_scalar("y=2x",2*i,i) 

writer.close()
1
2
3
4
5
6
7
8
9
10

打开logs文件，在终端运行 tensorboard --logdir=logs ，也可以指定端口–port 6007, 便可以通过网页访问

add_image()、add_images()一次添加多个图片

查看def，需要传入 (torch.Tensor, numpy.array, or string/blobname)类型的y轴数据，需要把图片类型转换一下，从PIL到numpy arrary，需要传入参数dataformats=‘HWC’ 指定每一维的含义

from torch.utils.tensorboard import SummaryWriter
import numpy as np
from PIL import Image

writer = SummaryWriter("logs")
img_path="/Users/fanzhilin/Downloads/hymenoptera_data/train/ants/0013035.jpg"
img_PIL =Image.open(img_path)
img_arrary = np.array(img_PIL)
print(img_arrary.shape)
writer.add_image("ant",img_arrary,1,dataformats='HWC')#从PIL到numpy arrary，需要传入参数dataformats='HWC' 指定每一维的含义

# 画出 y =2x 
for i in range(100):
   writer.add_scalar("y=2x",2*i,i) 
 
writer.close()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

torchvision.transforms 的使用

就是一个工具箱

使用注意点⚠️

ToTensor类，为什么需要转换？包含了一些dl的参数
Normalize类，归一化
Resize类

transforms.Resize(x)等比例缩放，将图片短边缩放至size，长宽比保持不变，i.e，如果高度>宽度，则图像将被重新缩放为（size*高度/宽度，size）将图片短边缩放至x，长宽比保持不变 transforms.Resize(x)
Compose 就是将函数进行组合，需要提供一个转换的列表，相对应合并执行

RandomCrop 随机裁剪，用于数据增强

from torchvision import transforms
from PIL import Image
from torch.utils.tensorboard import SummaryWriter
img_path="/Users/fanzhilin/Downloads/hymenoptera_data/train/ants/0013035.jpg"
img=Image.open(img_path)
writer=SummaryWriter("logs")

#ToTensor
trans_tensor = transforms.ToTensor()# 创建对象
img_tensor=trans_tensor(img)#变为tensor
writer.add_image("Totensor",img_tensor,0 )

#Normalize
print(img_tensor[0][0][0])
trans_norm = transforms.Normalize([0.5,0.5,0.5],[2,1,1])
img_norm=trans_norm(img_tensor)
print(img_norm[0][0][0])
writer.add_image("Normalize",img_norm,0 )


#Resize
print(img.size)
trans_resize=transforms.Resize((512,512))
img_resize = trans_resize(img)#PIL 类型
img_resize=trans_tensor(img_resize)#想要在tensorboard显示需要变成tensor类型
writer.add_image("Resize",img_resize,0)
print(img_resize.size())


# Compose resize 结合
trans_resize2 = transforms.Resize(512)
trans_compose = transforms.Compose([trans_resize2,trans_tensor])
img_resize2 = trans_compose(img)
writer.add_image("Resize",img_resize2,1)

#RandomCrop
trans_random=transforms.RandomCrop(400) #(h,w)传入也可以
trans_compose2= transforms.Compose([trans_random,trans_tensor])
for i in range(10):#随机裁剪10个
    img_crop = trans_compose2(img)
    writer.add_image("RandomCrop",img_crop,i)

writer.close()


1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45

torchvision中数据集的使用

datasets

官网数据集https://pytorch.org/vision/stable/datasets.html

可以吧url拷贝，用迅雷下载

import torchvision 

dataset_trans=torchvision.transforms.Compose(
    [torchvision.transforms.ToTensor()]
)#把数据集每一个全变成tensor，方便使用tensorboard显示
train_set = torchvision.datasets.CIFAR10(root='./dataset',train=True,transform=dataset_trans,download=True)
test_set = torchvision.datasets.CIFAR10(root='./dataset',train=False,transform=dataset_trans,download=True)
#如果root没有目录会自动建立，建议设置download=true，如果没有回下载到本地，并且会自动解压
print(train_set[0])#第一条
print(train_set.classes)#label

img,traget=train_set[0]#打印查看格式，前一个是img，后一个是label
print(img)
print(traget)
print(test_set.classes[traget])
img.show()
 
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17

DataLoader的使用(torch.utils.data)

类似抽牌

import torchvision 
from torch.utils.data import DataLoader
from torch.utils.tensorboard import SummaryWriter
test_data = torchvision.datasets.CIFAR10(root='./dataset',train=False,transform=torchvision.transforms.ToTensor())

test_loader  = DataLoader(dataset=test_data,batch_size=4,shuffle=True,num_workers=0,drop_last=False)
#batch_size = 4  从dataset取4个数据，打包返回
#shuffle = True 每次抽取都是随机的
#drop_last=False,最后一次取如果不够取不舍去
img,target = test_data[0]
print(img.shape)
print(target)


writer = SummaryWriter("dataloader")

for epoch in range(2):
    step=0
    for data in  test_loader:
        imgs,targets = data
        # print(imgs.shape)#打包返回的数据torch.Size([4, 3, 32, 32]) 4数据 3通道rgb h w
        # print(targets)#tensor([5, 9, 2, 4]) 是label 
        writer.add_images("Epoch :{}".format(epoch),imgs,step)
        step=step+1

writer.close()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26

神经网络的搭建nn.Module

Eg 简单的nn

from torch import nn
import torch.nn.functional as F
import torch
class Model(nn.Module):
    def __init__(self):
        super().__init__()
#nn.module内的call方法里调用了forward,通过打断点也可以知道！
    def forward(self,input):
        return input+1
    

nn1=Model()
x= torch.tensor(1)
print(nn1(x))

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

卷积操作

深度学习李宏毅

2022太乱了，去youtube看2020了，妈的没弹幕看着难受

http://speech.ee.ntu.edu.tw/~tlkagk/courses_ML20.html

python 多环境管理pyenv

https://github.com/pyenv/pyenv

https://zhuanlan.zhihu.com/p/36402791

Chatgpt

1 研究方向

1如何精准提出需求

如何调教

2 如何更正错误

chatgpt的预训练资料只有2021年9月之前的
如何让机器修改一个错误而不弄错别的地方？——Neural editing

3 判断是否ai生成的物件

4是否会泄漏隐私

但是可以绕着弯问他，当问到一定特定问题，让机器忘记Machine Unlearning

2 Chatgpt学习的步骤

由InstructGPT 推测

1学习文字接龙，学到的是几率分布，然后随机抽取一个词出来。但实际每次输出的结果都不同

GPT在网络上大量搜集网络数据，不需要人介入
2人类来引导接龙的方向，并提供正确答案，
3模仿人类的喜欢
4用增强式学习强化学习学习 reward

3 Fine tune vs. Prompt

两个方向：成为通才或专才

所有自然语言处理的问题都是问答QA的问题

https://arxiv.org/abs/1806.08730
让chatgpt自己说说如何针对特定任务产生prompt

期待一｜成为专才，加外挂 or fine tune or Adapter

BERT，类似文字填空的模型

对预训练模型进行改造

加外挂Head
微调参数 fine tune

…

微调Adapter 的参数（ efficient finetune）

语言模型本身不动，只finetune微调adapter参数

期待二｜成为通才

in-context learning 范例学习

可能范例学习只对大型模型有明显效果

题目叙述学习Instruct learning、 instruction tuning

T0模型
FLAN paper

chain of thought （COT ）Promptting

在给机器范例同时，顺便给出推论过程，给出答案
zero - shot COT 甚至直接可以一句话：Lets think step by step

有的时候人也不知道解答的过程是什么
Self—consistency 解决每次结果都不一样
Leat - to - most promptting

把复杂的问题拆解，把难的问题简化，看到数学问题，让机器做in context learing

让机器找prompt

soft prompt 我们给机器的prompt 是向量，可以train，类似于adapter
用reinforcement learning
直接用大型LM 去自己找prompt

把输入输出给他，让LM去给出prompt ，自己催眠自己
声明：本文内容由网友自发贡献，不代表【wpsshop博客】立场，版权归原作者所有，本站不承担相应法律责任。如您发现有侵权的内容，请联系我们。转载请注明出处：https://www.wpsshop.cn/w/花生_TL007/article/detail/537532

李宏毅 深度学习【持续更新】_李宏毅深度学习教程leedl

目录