课程介绍

适合人群

人工智能，深度学习方向的同学们

课程目标

学习深度学习框架PyTorch核心模块，熟练应用在实际项目中

课程简介

深度学习框架-PyTorch实战课程旨在帮助同学们快速学习PyTorch框架核心模块使用方法与项目应用实例，让同学们熟练使用PyTorch框架进行项目开发。课程内容全部以实战为导向，基于当下计算机视觉与自然语言处理中经典项目进行实例讲解，通过Debug模式详解项目中每一行代码的作用与效果，整体风格通俗易懂，提供全部课程所属课件

课程目录

• 课程大纲-深度学习框架-PyTorch实战
• 第1章 PyTorch框架基本处理操作 (1小时13分钟 9节)
• 1-1PyTorch实战课程简介
• 1-2PyTorch框架发展趋势简介
• 1-3框架安装方法（CPU与GPU版本）
• 1-4PyTorch基本操作简介
• 1-5自动求导机制
• 1-6线性回归DEMO-数据与参数配置
• 1-7线性回归DEMO-训练回归模型
• 1-8补充：常见tensor格式
• 1-9补充：Hub模块简介
• 第2章 神经网络实战分类与回归任务 (54分钟 6节)
• 2-1气温数据集与任务介绍
• 2-2按建模顺序构建完成网络架构
• 2-3简化代码训练网络模型
• 2-4分类任务概述
• 2-5构建分类网络模型
• 2-6DataSet模块介绍与应用方法
• 第3章 卷积神经网络原理与参数解读 (1小时25分钟 12节)
• 3-1卷积神经网络应用领域
• 3-2卷积的作用
• 3-3卷积特征值计算方法
• 3-4得到特征图表示
• 3-5步长与卷积核大小对结果的影响
• 3-6边缘填充方法
• 3-7特征图尺寸计算与参数共享
• 3-8池化层的作用
• 3-9整体网络架构
• 3-10VGG网络架构
• 3-11残差网络Resnet
• 3-12感受野的作用
• 第4章 图像识别核心模块实战解读 (49分钟 7节)
• 4-1卷积网络参数定义
• 4-2网络流程解读
• 4-3Vision模块功能解读
• 4-4分类任务数据集定义与配置
• 4-5图像增强的作用
• 4-6数据预处理与数据增强模块
• 4-7Batch数据制作
• 第5章 迁移学习的作用与应用实例 (1小时14分钟 9节)
• 5-1迁移学习的目标
• 5-2迁移学习策略
• 5-3加载训练好的网络模型
• 5-4优化器模块配置
• 5-5实现训练模块
• 5-6训练结果与模型保存
• 5-7加载模型对测试数据进行预测
• 5-8额外补充-Resnet论文解读
• 5-9额外补充-Resnet网络架构解读
• 第6章 递归神经网络与词向量原理解读 (51分钟 6节)
• 6-1RNN网络架构解读
• 6-2词向量模型通俗解释
• 6-3模型整体框架
• 6-4训练数据构建
• 6-5CBOW与Skip-gram模型
• 6-6负采样方案
• 第7章 新闻数据集文本分类实战 (1小时22分钟 9节)
• 7-1任务目标与数据简介
• 7-2RNN模型所需输入格式解析]
• 7-3项目配置参数设置
• 7-4新闻数据读取与预处理方法
• 7-5LSTM网络模块定义与参数解析
• 7-6训练LSTM文本分类模型
• 7-7Tensorboardx可视化展示模块搭建
• 7-8CNN应用于文本任务原理解析
• 7-9网络模型架构与效果展示
• 第8章 对抗生成网络架构原理与实战解析 (40分钟 5节)
• 8-1对抗生成网络通俗解释
• 8-2GAN网络组成
• 8-3损失函数解释说明
• 8-4数据读取模块
• 8-5生成与判别网络定义
• 第9章 基于CycleGan开源项目实战图像合成 (1小时22分钟 10节)
• 9-1CycleGan网络所需数据
• 9-2CycleGan整体网络架构
• 9-3PatchGan判别网络原理
• 9-4Cycle开源项目简介
• 9-5数据读取与预处理操作
• 9-6生成网络模块构造
• 9-7判别网络模块构造
• 9-8损失函数：identity loss计算方法
• 9-9生成与判别损失函数指定
• 9-10额外补充：VISDOM可视化配置
• 第10章 OCR文字识别原理 (50分钟 7节)
• 10-1OCR文字识别要完成的任务
• 10-2CTPN文字检测网络概述
• 10-3序列网络的作用
• 10-4输出结果含义解析
• 10-5CTPN细节概述
• 10-6CRNN识别网络架构
• 10-7CTC模块的作用
• 第11章 OCR文字识别项目实战 (57分钟 8节)
• 11-1OCR文字检测识别项目效果展示
• 11-2训练数据准备与环境配置
• 11-3检测模块候选框生成
• 11-4候选框标签制作
• 11-5整体网络所需模块
• 11-6网络架构各模块完成的任务解读
• 11-7CRNN识别模块所需数据与标签
• 11-8识别模块网络架构解读
• 第12章 基于3D卷积的视频分析与动作识别 (58分钟 7节)
• 12-13D卷积原理解读
• 12-2UCF101动作识别数据集简介
• 12-3测试效果与项目配置
• 12-4视频数据预处理方法
• 12-5数据Batch制作方法
• 12-63D卷积网络所涉及模块
• 12-7训练网络模型
• 第13章 自然语言处理通用框架BERT原理解读 (1小时31分钟 10节)
• 13-1BERT任务目标概述
• 13-2传统解决方案遇到的问题
• 13-3注意力机制的作用
• 13-4self-attention计算方法
• 13-5特征分配与softmax机制
• 13-6Multi-head的作用
• 13-7位置编码与多层堆叠
• 13-8transformer整体架构梳理
• 13-9BERT模型训练方法
• 13-10训练实例
• 第14章 开源项目BERT源码解读（官方TF版） (1小时50分钟 12节)
• 14-1BERT开源项目简介
• 14-2项目参数配置
• 14-3数据读取模块
• 14-4数据预处理模块
• 14-5tfrecord制作
• 14-6Embedding层的作用
• 14-7加入额外编码特征
• 14-8加入位置编码特征
• 14-9mask机制
• 14-10构建QKV矩阵
• 14-11完成Transformer模块构建
• 14-12训练BERT模型
• 第15章 基于PyTorch实战BERT模型（民间PyTorch版） (27分钟 4节)
• 15-1项目配置与环境概述
• 15-2数据读取与预处理
• 15-3网络结构定义
• 15-4训练网络模型
• 第16章 PyTorch框架实战模板解读 (1小时7分钟 7节)
• 16-1项目模板各模块概述
• 16-2各模块配置参数解析
• 16-3数据读取与预处理模块功能解读
• 16-4模型架构模块
• 16-5训练模块功能
• 16-6训练结果可视化展示模块
• 16-7模块应用与BenckMark解读