本书分为3个部分：
自然语言处理（NLP）
计算机视觉（CV）
图片和文字
以下是本节各章的简要概述：
命名实体识别- 讨论使用conllpp 数据集识别命名实体的训练转换器模型。我们将使用的特定模型称为bert-base-cased。该模型是原始 BERT 的较小版本，并且区分大小写，这意味着它将大写和小写字母视为不同。
掩蔽语言建模- 与填空问题类似，我们训练一个模型来使用xsum 数据集预测句子中的掩蔽词。我们将使用的特定模型称为distilbert-base-uncased。这是 bert base uncased 模型的精炼版本，它以相同的方式处理大写和小写字母。
机器翻译——在本章中，训练一个模型将文本从英语翻译成西班牙语。我们将在新闻评论数据集上训练来自赫尔辛基 NLP 小组的变压器模型。
总结——在本章中，训练了一个多语言模型来总结英语和西班牙语句子。使用的模型是 T5 Transformer 模型的多语言版本，使用的数据集是amazon reviews dataset。
因果语言建模- 本章重点介绍训练模型以自动完成 Python 代码。为此，我们将使用用于训练代码鹦鹉模型的数据。
计算机视觉部分涵盖了该领域下最常见的任务。本节中的章节使用pytorch 闪电、pytorch 图像模型（timm）、 albumentations库和权重和偏差平台。以下是本节各章的简要概述：
图像分类- 我们将训练卷积神经网络 (CNN) 模型对动物图像进行分类。我们将使用的 CNN 模型是“resnet34”，使用的数据集是动物图像数据集。
图像分割- 本章侧重于训练模型以分割给定图像中的道路。我们将使用 U-net 模型来完成此任务。
物体检测——在本章中，我们将专注于检测图像中的汽车。我们将预测与图像中包围汽车的边界框相对应的坐标。对于这个任务，我们将使用 fast-rcnn 模型。
最后一节包含训练模型以在给定图像的情况下生成标题的章节。它将有一个视觉转换器作为编码器，gpt-2 模型作为解码器。
在线阅读 | ML Recipe | #电子书 #机器学习 #手册
多图像浏览器，在一个界面显示多个图像，方便图像的比较、筛选
功能：
多路径并行显示
多边平行放大
点按旋转
支持远程目录
放大大小resize图片
MulimgViewer | #浏览器
下载地址：稳定版（包+代码） | 最新（代码）
功能：
多路径并行显示
多边平行放大
点按旋转
支持远程目录
放大大小resize图片
MulimgViewer | #浏览器
下载地址：稳定版（包+代码） | 最新（代码）
日本开发者在GitHub开源的一款图像处理节点编辑器
通过该工具，可以辅助并完成深度学习的各项图像处理工作，快速验证、对比各个图像在不同条件下的执行结果。
Image-Processing-Node-Editor | #编辑器
通过该工具，可以辅助并完成深度学习的各项图像处理工作，快速验证、对比各个图像在不同条件下的执行结果。
Image-Processing-Node-Editor | #编辑器
这份笔记的作者是香港浸会大学数学系徐亦达教授，最近两年在全心研究和分享 learning theory 的知识，从2022年开始，教授定期每晚8:30进行Learning Theory直播。
Learning theory是教育学和教育心理学的一门分支学科，它描述了学生在学习过程中如何接受、处理和保留知识。认知、情感和环境的影响，以及先前的经验，都在如何获得或改变理解或世界观以及保留知识和技能方面发挥着作用。
Learning theory | #机器学习 #笔记
目前已经在腾讯的多个产品上应用。已经实现的模型：
十亿级节点、千亿级边的 图模型
百亿级样本、百亿特征的 深度排序、召回模型
十亿级节点、千亿级边与百亿级样本、百亿特征的 图与深度排序、图与深度召回的联合建模模型
embedx
