李沐，动动手学习深度学习github项目

1. GluonCV：一个基于MXNet/Gluon的计算机视觉工具库，包括各种经典模型、数据集、预处理和评估等内容。

2. MXNet：一个基于深度学习的分布式计算框架，支持多种编程语言和计算设备，包括CPU、GPU和TPU等。

3. D2L：《动手学深度学习》的代码实现，基于MXNet/Gluon实现，包括各种深度学习基础和高级应用的代码实现。

4. Tensorflow：Google开发的深度学习框架，支持多种编程语言和计算设备，包括CPU、GPU和TPU等。

5. PyTorch：Facebook开发的深度学习框架，支持动态图和静态图两种计算图，具有易用性和高灵活性的特点。

6. TensorFlow-Examples：一系列TensorFlow的示例代码，覆盖了各种深度学习应用场景和技术细节。

7. PyTorch-Examples：一系列PyTorch的示例代码，覆盖了各种深度学习应用场景和技术细节。

8. Keras：一个高级深度学习API，支持多种深度学习框架，包括TensorFlow、Theano和CNTK等。

9. Caffe：一个经典的深度学习框架，支持多种深度学习模型和应用场景，包括图像分类、物体检测和语义分割等。

10. Torch：一个基于Lua语言的深度学习框架，支持多种深度学习模型和应用场景，包括自然语言处理和计算机视觉等。

相关问题

李沐深度学习github

李沐（Mu Li）是一位在深度学习领域非常知名的研究人员和工程师，他是开源社区MXNet项目的创始人之一，并且是该项目的主要贡献者之一。你可以在他的GitHub上找到他的一些深度学习相关的项目和代码。具体来说，他在GitHub上有一个个人仓库，地址是https://github.com/mli。你可以在这里找到他的一些开源项目和代码。

李沐深度学习resnet

### 李沐讲解ResNet深度学习模型

#### ResNet简介
残差网络(ResNet)通过引入短路连接(shortcut connection)，解决了深层神经网络中的梯度消失问题，使得可以训练更深的网络[^3]。

#### Bottleneck结构详解
为了提升效率并减少参数数量，ResNet设计了Bottleneck结构。具体来说，在第一个模块中，先采用1×1卷积将输入维度从256降至64；接着执行3×3卷积操作；最后再次运用1×1卷积恢复至原始维度256。这种处理方式虽然理论上保持了与传统架构相近的复杂度，但由于1×1卷积的实际运算性能较低，因此整体计算成本有所增加。

import torch.nn as nn

class Bottleneck(nn.Module):
    expansion = 4
    
    def __init__(self, inplanes, planes, stride=1, downsample=None):
        super(Bottleneck, self).__init__()
        self.conv1 = nn.Conv2d(inplanes, planes, kernel_size=1, bias=False)
        self.bn1 = nn.BatchNorm2d(planes)
        self.conv2 = nn.Conv2d(planes, planes, kernel_size=3, stride=stride,
                               padding=1, bias=False)
        self.bn2 = nn.BatchNorm2d(planes)
        self.conv3 = nn.Conv2d(planes, planes * self.expansion, kernel_size=1, bias=False)
        self.bn3 = nn.BatchNorm2d(planes * self.expansion)
        self.relu = nn.ReLU(inplace=True)
        self.downsample = downsample
        self.stride = stride
        
    def forward(self, x):
        residual = x

        out = self.conv1(x)
        out = self.bn1(out)
        out = self.relu(out)

        out = self.conv2(out)
        out = self.bn2(out)
        out = self.relu(out)

        out = self.conv3(out)
        out = self.bn3(out)

        if self.downsample is not None:
            residual = self.downsample(x)

        out += residual
        out = self.relu(out)

        return out