Repository for scripts and notebooks from the book: Programming PyTorch for Deep Learning.
falloutdurham/beginners-pytorch-deep-learning is ranked 17,458 with 538 stars.
Same-category comparison
falloutdurham/beginners-pytorch-deep-learning is ranked 17,458 among these 8 peers; maurock/snake-ga is ranked 17,448.
Same-category comparison| Name | Rank | Metrics |
|---|
| theainerd/MLInterview | 17,415 | - Stars:
- 541
- Forks:
- 177
- Description:
- :octocat: A curated awesome list of AI Startups in India & Machine Learning Interview Guide. Feel free to contribute.
|
|---|
| blueberrymusic/Deep-Learning-A-Visual-Approach | 17,424 | - Language:
- Jupyter Notebook
- Stars:
- 540
- Forks:
- 164
- Description:
- All of the figures and notebooks for my deep learning book, for free.
|
|---|
| mpaepper/content-chatbot | 17,430 | - Language:
- Python
- Stars:
- 540
- Forks:
- 52
- Description:
- Build a chatbot or Q&A bot of your website's content.
|
|---|
| maurock/snake-ga | 17,448 | - Language:
- Python
- Stars:
- 539
- Forks:
- 961
- Description:
- AI Agent that learns how to play Snake with Deep Q-Learning.
|
|---|
| gy910210/rnn-from-scratch | 17,474 | - Language:
- Python
- Stars:
- 537
- Forks:
- 152
- Description:
- Implementing Recurrent Neural Network from Scratch.
|
|---|
| jonbruner/generative-adversarial-networks | 17,478 | - Language:
- Jupyter Notebook
- Stars:
- 537
- Forks:
- 247
- Description:
- Introduction to generative adversarial networks, with code to accompany the O'Reilly tutorial on GANs.
|
|---|
| kuleshov/cornell-cs5785-2025-applied-ml | 17,482 | - Language:
- Jupyter Notebook
- Stars:
- 537
- Forks:
- 186
- Description:
- Lecture materials for Cornell CS5785 Applied Machine Learning (Fall 2024).
|
|---|
| ne7ermore/torch-light | 17,487 | - Language:
- Python
- Stars:
- 537
- Forks:
- 194
- Description:
- Deep-learning by using Pytorch. Basic nns like Logistic, CNN, RNN, LSTM and some examples are implemented by complex model.
|
|---|
Key parameters and specifications
Key parameters and specifications| Parameter | Value |
|---|
| Language | Jupyter Notebook |
|---|
| Category | Tutorials |
|---|
| Subcategory | ML/AI fundamentals |
|---|
| Stars | 538 |
|---|
| Forks | 282 |
|---|
| Contributors | 5 |
|---|
| Created date | 2019-08-12 |
|---|
| Updated date | 2026-10-13 |
|---|
| Stars in 1 day | 0 |
|---|
| Stars in 7 days | 1 |
|---|
| Rank | 17,458 |
|---|
| Previous rank | 17,244 |
|---|
| Rank change | -214 |
|---|
| 7-day stars rank | 11,438 |
|---|
| Previous 7-day stars rank | 11,497 |
|---|
| 7-day stars rank change | 59 |
|---|
| Total stars rank | 18,280 |
|---|
| Previous total stars rank | 18,253 |
|---|
| Total stars rank change | -27 |
|---|
README summary
PyTorch for Deep Learning: Creating and Deploying Deep Learning Applications Repository for scripts and notebooks from the book: Programming PyTorch for Deep Learning: Creating and Deploying Deep Learning Applications Download of dataset for chapter 2 (download. py) Since some links are broken meanwhile, you can also find a downloadable version of the image dataset here (zip file): Updates 2020/05/25: Chapter 9. 5 - Text Generation With GPT-2 And (only) PyTorch, or Semi/Self-Supervision Learning Part 1 (Letters
To Charlotte) 2020/05/03: Chapter 7. py) Da einige URLs inzwischen leider veraltet sind, stehen Ihnen die Bilddateien zusätzlich als Download (Zip-Datei) bereit: Installationshinweise Python - Downloads und Dokumentation Anaconda - Dokumentation mit Installationshinweisen pip - Installationshinweise PyTorch - Installationshinweise falls Installation nicht mit / erfolgt; ansonsten siehe Abschnitt _Versionskontrolle_ Jupyter Notebook / JupyterLab - Installation und Dokumentation Google Colaboratory - Einführung und weitergehende Hinweise insb. zum Einlesen von Daten Github - Forken und Klonen eines Repositorys Versionskontrolle Nachdem Sie das Github-Repository lokal geklont
(bzw. ) Wechseln Sie zunächst in den Zielordner ( ), erstellen Sie dann eine (lokale) virtuelle Umgebung und installieren Sie die benötigten Bibliotheken und Pakete: 2. ) Anschließend aktivieren Sie die virtuelle Umgebung: 3. ) Zum Deaktivieren nutzen Sie den Befehl: pip 1. ) Wechseln Sie zunächst in den Zielordner ( ) und erstellen Sie anschließend eine virtuelle Umgebung: 2. ) Aktivieren Sie die virtuelle Umgebung ( (Ubuntu/Mac) (Windows) 3. ) Erstellen Sie eine (lokale) virtuelle Umgebung und installieren Sie die benötigten Bibliotheken und
Pakete: 4. ) Zum Deaktivieren nutzen Sie den Befehl: Bei Nutzung von Jupyter Notebook 1. ) Zunächst müssen Sie Jupyter Notebook installieren: oder 2. ) Nach Aktivierung Ihrer virtuellen Umgebung (s. ) geben Sie den folgenden Befehl in Ihre Kommandozeile ein, um die -Bibliothek herunterzuladen: oder 3. ) Installieren Sie einen Kernel mit Ihrer virtuellen Umgebung: 4. ) Nach Öffnen des Jupyter-Notebook-Startbildschirms wählen Sie auf der rechten Seite das Feld _New_ (bzw. in der Notebook-Ansischt den Reiter _Kernel_/_Change Kernel
_) und wählen Sie _myenv_ aus. Google Colaboratory Hier stehen Ihnen hier für mehrere Stunden leistungsfähige GPUs zur Verfügung, die das Training der Modelle merklich beschleunigen können. In Google Colab stehen Ihnen standardmäßig einige Pakete bereits vorinstalliert zur Verfügung. Da sich Neuinstallationen immer nur auf ein Notebook beziehen, können Sie von einer Einrichtung einer virtuellen Umgebung absehen und direkt die Pakete durch Ausführen der Zellen bzw.
Frequently asked questions
How many stars and forks are recorded?
falloutdurham/beginners-pytorch-deep-learning has 538 stars and 282 forks.
What is the repository rank?
falloutdurham/beginners-pytorch-deep-learning is ranked 17,458.
What language and category are recorded?
falloutdurham/beginners-pytorch-deep-learning has 538 stars, uses Jupyter Notebook and belongs to Tutorials.
Which repository is closest in rank?
falloutdurham/beginners-pytorch-deep-learning is compared with maurock/snake-ga, ranked 17,448 with 539 stars.
PyTorch for Deep Learning: Creating and Deploying Deep Learning Applications
Repository for scripts and notebooks from the book: Programming PyTorch for Deep Learning: Creating and Deploying Deep Learning Applications
Download of dataset for chapter 2 (download.py)
Since some links are broken meanwhile, you can also find a downloadable version of the image dataset here (zip file): https://drive.google.com/file/d/16h8E7dnj5TpxF_ex4vF2do20iMWziM70
Updates
-
2020/05/25: Chapter 9.75 — Image Self-Supervised Learning
-
2020/03/01: Chapter 9.5 - Text Generation With GPT-2 And (only) PyTorch, or Semi/Self-Supervision Learning Part 1 (Letters To Charlotte)
-
2020/05/03: Chapter 7.5 - Quantizing Models
Deutschsprachige Ausgabe
PyTorch für Deep Learning: Anwendungen für Bild-, Ton- und Textdaten entwickeln und deployen
--> https://dpunkt.de/produkt/pytorch-fuer-deep-learning/
Hinweis zum Download des Datensatzes in Kapitel 2 (download.py)
Da einige URLs inzwischen leider veraltet sind, stehen Ihnen die Bilddateien zusätzlich als Download (Zip-Datei) bereit: https://drive.google.com/file/d/16h8E7dnj5TpxF_ex4vF2do20iMWziM70
Installationshinweise
Versionskontrolle
Nachdem Sie das Github-Repository lokal geklont (bzw. zuvor geforkt) haben!
Conda
1.) Wechseln Sie zunächst in den Zielordner (cd beginners-pytorch-deep-learning), erstellen Sie dann eine (lokale) virtuelle Umgebung und installieren Sie die benötigten Bibliotheken und Pakete:
conda env create --file environment.yml
2.) Anschließend aktivieren Sie die virtuelle Umgebung:
conda activate myenv
3.) Zum Deaktivieren nutzen Sie den Befehl:
conda deactivate
pip
1.) Wechseln Sie zunächst in den Zielordner (cd beginners-pytorch-deep-learning) und erstellen Sie anschließend eine
virtuelle Umgebung:
python3 -m venv myenv
2.) Aktivieren Sie die virtuelle Umgebung (https://docs.python.org/3/library/venv.html):
source myenv/bin/activate (Ubuntu/Mac)
myenv\Scripts\activate.bat (Windows)
3.) Erstellen Sie eine (lokale) virtuelle Umgebung und installieren Sie die benötigten Bibliotheken und Pakete:
pip3 install -r requirements.txt
4.) Zum Deaktivieren nutzen Sie den Befehl:
deactivate
Bei Nutzung von Jupyter Notebook
1.) Zunächst müssen Sie Jupyter Notebook installieren:
conda install -c conda-forge notebook oder pip3 install notebook
2.) Nach Aktivierung Ihrer virtuellen Umgebung (s.o.) geben Sie den folgenden Befehl in Ihre Kommandozeile ein, um die
ipykernel-Bibliothek herunterzuladen:
conda install ipykernel oder pip3 install ipykernel
3.) Installieren Sie einen Kernel mit Ihrer virtuellen Umgebung:
ipython kernel install --user --name=myenv
4.) Starten Sie Jupyter Notebook:
jupyter notebook
5.) Nach Öffnen des Jupyter-Notebook-Startbildschirms wählen Sie auf der rechten Seite das Feld New (bzw. in der
Notebook-Ansischt den Reiter Kernel/Change Kernel) und wählen Sie myenv aus.
Google Colaboratory
Hier stehen Ihnen hier für mehrere Stunden leistungsfähige GPUs zur Verfügung, die das Training der Modelle merklich beschleunigen können. In Google Colab stehen Ihnen standardmäßig einige Pakete bereits vorinstalliert zur Verfügung. Da sich
Neuinstallationen immer nur auf ein Notebook beziehen, können Sie von einer Einrichtung einer virtuellen Umgebung
absehen und direkt die Pakete durch Ausführen der Zellen bzw. Zeilen, in denen ein ! vorangestellt ist, installieren.