Ecosyste.ms: Awesome
An open API service indexing awesome lists of open source software.
https://github.com/majsylw/chihuahua-vs-muffin
Excercises in Deep learning for polish students conducted in winter 2020/21 (polish). With cooperation with Wroclaw University of Technology and OPI. This repository based on materials from beginner's workshop for SJSU ML Club and facebook DETR.
https://github.com/majsylw/chihuahua-vs-muffin
classification deep-neural-networks linear-nn python3 pytorch tutorial-code
Last synced: 22 days ago
JSON representation
Excercises in Deep learning for polish students conducted in winter 2020/21 (polish). With cooperation with Wroclaw University of Technology and OPI. This repository based on materials from beginner's workshop for SJSU ML Club and facebook DETR.
- Host: GitHub
- URL: https://github.com/majsylw/chihuahua-vs-muffin
- Owner: majsylw
- License: apache-2.0
- Created: 2021-01-10T14:35:08.000Z (almost 4 years ago)
- Default Branch: main
- Last Pushed: 2022-12-05T06:31:16.000Z (almost 2 years ago)
- Last Synced: 2023-03-08T22:06:12.458Z (over 1 year ago)
- Topics: classification, deep-neural-networks, linear-nn, python3, pytorch, tutorial-code
- Language: Jupyter Notebook
- Homepage:
- Size: 7.19 MB
- Stars: 1
- Watchers: 2
- Forks: 0
- Open Issues: 0
-
Metadata Files:
- Readme: README.md
- License: LICENSE
Awesome Lists containing this project
README
# Introduction to deep learning - classification
Excercises in Deep learning for polish students conducted in winter 2020/21 (polish).
With cooperation with [Wroclaw University of Technology](https://pwr.edu.pl/) and [OPI](https://bip2.opi.org.pl/) as a part of [NAVOICA project](https://navoica.pl/dla-dzieci-i-mlodziezy).
This repository based on [materials from beginner's workshop for SJSU ML Club](https://github.com/mlatsjsu/workshop-chihuahua-vs-muffin) and [DETR](https://github.com/facebookresearch/detr).
All materials are prepared in polish.
# Instalacja
## 1: Instalacja interpretera
Interpreter pythona jest dostępny na oficjalnej stronie [python.org](https://www.python.org/downloads/). Upewnij się, że pobierasz wersję 3.x (obecnie aktualną jest wersja 3.9) na obsługiwany system operacyjny.
## 2: Instalacja modułów
Wprowadź w terminalu poniższą linijkę:
```
pip3 install numpy jupyter matplotlib pillow tqdm
```
lub jeśli korzystasz z [Anacondy](https://www.anaconda.com/products/individual#Downloads)
```
conda install numpy jupyter matplotlib pillow tqdm
```
Następnie ze strony [pytorcha](https://pytorch.org/get-started/locally/) wybierz opcje odpowiednie dla obsługiwanego systemu i posiadanego sprzętu (w przypadku braku GPU, wskaż na "None" przy wierszu "CUDA"). W tym tutorialu korzystałam z
- pytorcha w wersji 1.7.1 na cpu
- torchvision w wersji 0.8.2 na cpu
## 3: Praca w interaktywnym notatniku jupytera
Pobierz (lub sklonuj) bieżące repozytorium i w terminalu uruchom jupyter notebook.
Następnie wybierz notatnik 'Sztuczna_inteligencja_w_świecie_rzeczywistym.ipynb'.
# Dalsze kroki
Zastanów się czy jesteś w stanie poprawić osiągnięty przez sieć wynik.
Może warto zwiększyć liczbę epok? Albo algorytm aktualizujący wagi?
Może warto zadbać o inny wygląd sieci (podpowiedź: warstwy konwolucyjne - [nn.Conv2d](https://pytorch.org/docs/stable/generated/torch.nn.Conv2d.html))?
**Eksperymentuj!**