DeepLearningWithMe · 开源仓库介绍 · 跟我学机器学习

仓库简介#

DeepLearningWithMe 是书籍《跟我一起学深度学习》的配套代码与资源仓库, 关于本书的介绍可以参见文章「《跟我一起学深度学习》第一版」的介绍。同时，你也可以「点击此处」进行在线阅读。

适用人群#

正在阅读本站深度学习栏目、希望按章节动手复现的学习者;
入门阶段需要"数形结合"讲解 + 从零实现参考的读者;
希望系统理解 Transformer / BERT / GPT / 大语言模型原理与实现的研究 / 工程人员。

内容结构#

Code/ — 主版本代码, 已通过 Python 3.9 测试, 通过 requirements_py39.txt 一键安装依赖:
- Chapter02 ~ Chapter10: 按书章节组织的 PyTorch 实现;
- utils/: 数据加载、训练可视化、模型保存等通用工具;
- data/: 示例数据集与预处理脚本;
- test/、gpu_test.py: 训练环境检测脚本;
Archived/ — 旧版归档 (5 大模块: DeepForwardNN、ConvolutionalNN、RecurrentNN、ModelTraining、Transformer), 仅供对照参考;

配套章节#

以下 10 个章节均配套 PyTorch Python 实现 代码与可视化示例，覆盖 CNN、RNN、Transformer、BERT、GPT、ChatGPT 等主流深度学习模型的 Python 教程与从零实现，适合作为 PyTorch 实战与深度学习 Python 实现的入门到进阶配套资料。

章节	重点小节
第 1 章深度学习简介	深度学习发展阶段：感知机到 Transformer 与 GPT 演进深度学习关键人物：AI 三巨头与图灵、明斯基深度学习框架：PyTorch、TensorFlow、Caffe、Keras 演进
第 2 章环境配置	深度学习开发环境体系结构：CUDA、cuDNN 与框架依赖 CUDA、PyTorch 与依赖深度学习环境安装教程 Jupyter Notebook 与 PyCharm 深度学习开发环境配置
第 3 章深度学习基础	深度学习线性回归入门：多项式回归与神经网络建模基础反向传播与梯度下降：梯度消失与爆炸的解决方法 Softmax 回归原理：从逻辑回归到多分类与深度学习特征抽象过拟合与正则化：L2 正则化与泛化误差分析激活函数原理：Sigmoid、Tanh、ReLU 与 LeakyReLU
第 4 章卷积神经网络	卷积神经网络基础：图像不变性与卷积操作原理卷积计算过程：卷积核、多卷积、步长、可视野与特征提取原理 LeNet5 网络：经典卷积神经网络结构入门 AlexNet 网络：ReLU、Dropout 与 GPU 训练设计思想 ResNet 原理：残差结构、退化问题与网络实现
第 5 章模型训练与复用	深度学习参数及日志管理：ModelConfig 配置类与 logging 模块实战 Tensorboard 使用教程：训练日志可视化与监控 PyTorch 模型保存与加载：复用与权重管理迁移学习教程：预训练模型微调与图像分类实战多 GPU 训练：数据并行、模型并行与 PyTorch 实现
第 6 章模型优化方法	Transformers 学习率调度器：constant、linear、cosine 与 warmup 策略实战梯度裁剪：训练不稳定时如何控制梯度爆炸 BatchNorm 原理：批归一化为什么能加速训练动量法原理：指数加权平均与梯度下降加速 Adam 算法原理：一阶矩、二阶矩与偏差校正详解
第 7 章循环神经网络	RNN 原理：循环神经网络结构与 BPTT 反向传播算法时序数据建模：时序图片与时序文本的 RNN 分类实战 LSTM 原理：长短期记忆网络与门控机制详解 GRU 原理：门控循环单元与 RNN 改进方法 BiRNN 原理：双向循环神经网络结构与序列标注
第 8 章时序与模型融合	TextCNN 文本分类：卷积神经网络做文本建模 TextRNN 原理：循环神经网络做文本分类 CNN-RNN 模型：卷积与循环网络融合方法 ConvLSTM 原理：时空序列预测与卷积循环模型 STResNet 网络：时空预测中的残差建模方法
第 9 章自然语言处理	Word2Vec 原理：词向量训练与语义表示方法 GloVe 词向量：全局统计词向量建模方法 Seq2Seq 教程：编码器解码器结构与序列生成注意力机制原理：Query-Key-Value 权重计算与 Seq2Seq 应用含注意力的 NMT 网络：Bahdanau 与 Luong 注意力实现
第 10 章现代神经网络	Transformer 结构：编码器解码器整体架构解析 BERT 原理：双向编码器预训练模型解析 GPT-1 模型：生成式预训练模型入门 InstructGPT 与 ChatGPT：指令对齐与对话模型演进 ChatGPT 与提示词工程：提示词设计方法与实践

使用方式#

git clone https://github.com/mlwithme/DeepLearningWithMe.git
cd DeepLearningWithMe/Code
pip install -r requirements_py39.txt
python gpu_test.py   # 可选, 验证 GPU 环境

进入对应 ChapterXX 目录, 按 README 与正文提示运行示例脚本即可。Python 版本推荐 3.9。

仓库简介#

适用人群#

内容结构#

配套章节#

使用方式#

相关链接#