主要记录一些公开课/网课的笔记及作业,借此平台保存一下,希望以后有机会能跟别人分享讨论!
才发现同一个repo下不同目录不能分开clone......orz,安(chou)慰(ma)了自己一会后,决定把自己那没什么东西的ThinkDSP砍掉,方便有需要的伙伴clone。
-
前言:
-
主要包含自己本地环境下做的2020年作业(也就是没用上GPU...orz),PyTorch和Tensorflow可选作业中,我选了据说更复杂的Tensorflow(仅出于学习目的);
-
基本完成3个assignment(剩下assignment2的
TensorFlow.ipynb的Part-V)。每个notebook中应该都附带了本地的运行结果,如果发现任何缺漏、疑问或错误希望能指出(可以发issue!),非常感谢! -
第一次完成时,代码和注释贪图了dirty and quick(orz),后期考虑美化;
-
-
关于
assignment1:- 由于我对numpy不太熟悉,对向量化求导过程不太熟练,里边的代码虽然跑通了,但优雅程度(包括注释的可读性)肯定不好,待美化;
-
关于
assignment2:-
我觉得主要的亮点在自己的卷积速度以及卷积梯度反向传导。卷积速度媲美
fast_layer.py中的实现(还没看代码,估计在GPU上就不行了orz)。卷积梯度反向传导综合考虑了步长stride >= 1的情况,应该相比一些网上资料甚至一些教材中说的"对边缘进行0填充,旋转180°,作卷积"要更具体严谨; -
但卷积梯度反向传导和池化层的速度依旧比
fast_layer.py中的实现要逊色,而且我的池化层未实现向量化。待学习; -
im2col相关拓展的编译在Windows上可能有坑,我也在notebook相应的cell中给出了解决方案:主要是要安装一个4G+的VS Build Tools (作业对Windows开发环境似乎不太友好,很多获取数据的脚本都是*.sh);
-
-
关于
assignment3:-
之前让我闻之丧胆的RNN和LSTM,实现起来感觉居然是最简单的。
因为里面的计算主要是element-wise的乘积与简单的线性函数,所以BP过程比较简单(感觉相比Batch Normalization的BP友好不少)。但LSTM的Computation Graph有点意思(可以在其中瞥到ResNet的Gradient High-way),详情参见
notes; -
授课人Justin Johnson(那位帅哥)还有一篇关于Real-time Style Transfer的论文,我感觉这想法挺有好玩:https://arxiv.org/pdf/1603.08155.pdf
-
Generative_Adversarial_Networks_TF.ipynb中计算目标损失有个小技巧:将生成器和判别器的输出视作得分的logits值,免去了耗时的softmax()计算。我在相应的cell中也阐述了自己的看法,主要说明为什么这样做是等价的,也在gan_tf.py的generator_loss()中给出三种(等价的)由生成器输出计算损失的方法;
-
-
关于
notes:-
主要包含三个作业中设计的一些比较有意思的Back Propagation的推导。通过整理也让我进一步感受到了Computation Graph的及Local Gradient的强大;
-
emmm,字确实是丑(憋喷了
-
(身边没有七彩笔,而且每次都要拍照扫描整成pdf上传有点麻烦......突然很想攒个pad)
-
-
最后:
- 作业算是基本完工了,大概耗时15天。最重要的是,也算瞥到了深度学习与计算机视觉的门(感觉不算入门,毕竟还没实战应用orz),它们对我不再像以前可以掉包的"黑箱"一样神秘,应该可以尝试逐步跟进前沿技术和算法了。
- 我也学到了不少向量化编程和模块化编程(比如model跟solver分开,甚至model中各个layer也分开,需要使用时就像做三明治一样好玩了!)的技巧,让我逐渐有了安排好代码结构及注释结构的意识(关于注释结构,之前一直不是很注意!要小心)。