Découvrir le deep learning en exercices

Les notebooks utilisent principalement pytorch car la lecture du code décrivant un réseaux de neurones est une des plus intuitives. Elle est beaucoup moins verbeuse que celle de tensorflow et offre plus de liberté dans la conception d’un modèle de deep learning. C’est ce qui a séduit de nombreux chercheurs à l’utiliser d’autant plus cette liberté ne s’est pas faite au détriment des performances. pytorch supporte également le standard ONNX ce qui facilite la mise en production de modèles.

Premier pas avec pytorch

• 100 - Logistic Regression with IRIS and pytorch
• 110 - First percepton with pytorch
• 200 - First percepton with pytorch
• 210 - First convolution network (CNN) with pytorch
• 300 - Convolution network, gradient, tweaks, with pytorch
• 400 - gradient et backward
  • Couche personnalisée
  • exemple avec MNIST
  • Le gradient
  • On change de couche
  • After the bug…
  • Ca converge ?
  • On réessaye avec un réseau plus simple

Tous les notebooks excepté le premier ont été écrits par Matthieu Bizien.

Autres sources de notebooks

• tutoriels de pytorch

• Deep Learning course: lecture slides and lab notebooks (master DataScience Université Paris Saclay)

• Réaliser un moteur de recherche d’images avec du deep learning