课程目录

• 01.深度学习PyTorch实战
• 01.PyTorch框架初识
• 1-1 课程导学~1
• 2-1 初识Pytorch基本框架
• 2-2 环境配置（1）
• 2-3 环境配置（2）
• 02.PyTorch基础操作
• 3-1 机器学习中的分类与回归问题-机器学习基本构成元素
• 3-10 取整-余
• 3-11 比较运算-排序-topk-kthvalue-数据合法性校验
• 3-12 三角函数
• 3-13 其他数学函数
• 3-14 Pytorch与统计学方法
• 3-15 Pytorch与分布函数
• 3-16 Pytorch与随机抽样
• 3-17 Pytorch与线性代数运算
• 3-18 Pytorch与矩阵分解-PCA
• 3-19 Pytorch与矩阵分解-SVD分解-LDA
• 3-2 Tensor的基本定义
• 3-20 Pytorch与张量裁剪
• 3-21 Pytorch与张量的索引与数据筛选
• 3-22 Pytorch与张量组合与拼接
• 3-23 Pytorch与张量切片
• 3-24 Pytorch与张量变形
• 3-25 Pytorch与张量填充
• 3-26 Pytorch与傅里叶变换
• 3-27 Pytorch简单编程技巧
• 3-28 Pytorch与autograd-导数-方向导数-偏导数-梯度的概念
• 3-29 Pytorch与autograd-梯度与机器学习最优解
• 3-3 Tensor与机器学习的关系
• 3-30 Pytorch与autograd-Variable$tensor
• 3-31 Pytorch与autograd-如何计算梯度
• 3-32 Pytorch与autograd中的几个重要概念-variable-grad-grad_fn
• 3-33 Pytorch与autograd中的几个重要概念-function
• 3-34 Pytorch与nn库
• 3-35 Pytorch与visdom
• 3-36 Pytorch与tensorboardX
• 3-37 Pytorch与torchvision
• 3-4 Tensor创建编程实例
• 3-5 Tensor的属性
• 3-6 Tensor的属性-稀疏的张量的编程实践
• 3-7 Tensor的算术运算
• 3-8 Tensor的算术运算编程实例
• 3-9 in-place的概念和广播机制
• 03.PyTorch与CNN
• 4-1 机器学习和神经网络的基本概念（1）
• 4-2 机器学习和神经网络的基本概念（2）
• 4-3 利用神经网络解决分类和回归问题（1）
• 4-4 利用神经网络解决分类和回归问题（2）
• 4-5 利用神经网络解决分类和回归问题（3）
• 4-6 利用神经网络解决分类和回归问题（4）
• 4-7 利用神经网络解决分类和回归问题（5）
• 04.卷积神经初探
• 5-1 计算机视觉基本概念
• 5-10 多分支网络结构
• 5-11 attention的网络结构
• 5-12 学习率
• 5-13 优化器
• 5-14 卷积神经网添加正则化
• 5-2 图像处理常见概念
• 5-3 特征工程
• 5-4 卷积神经网（上）
• 5-5 卷积神经网（下）
• 5-6 pooling层
• 5-7 激活层-BN层-FC层-损失层
• 5-8 经典卷积神经网络结构
• 5-9 轻量型网络结构
• 05.PyTorch实战1
• 6-1 图像分类网络模型框架解读（上）
• 6-10 PyTorch搭建cifar10训练脚本搭建-ResNet结构（下）
• 6-11 PyTorch搭建cifar10训练脚本搭建-Mobilenetv1结构
• 6-12 PyTorch搭建cifar10训练脚本搭建-Inception结构（上）
• 6-13 PyTorch搭建cifar10训练脚本搭建-Inception结构（下）
• 6-14 PyTorch搭建cifar10训练脚本搭建-调用Pytorch标准网络ResNet18等
• 6-15 PyTorch搭建cifar10推理测试脚本搭建
• 6-16 分类问题优化思路
• 6-17 分类问题最新研究进展和方向
• 6-2 图像分类网络模型框架解读（下）
• 6-3 cifar10数据介绍-读取-处理（上）
• 6-4 cifar10数据介绍-读取-处理（下）
• 6-5 PyTorch自定义数据加载-加载Cifar10数据
• 6-6 PyTorch搭建 VGGNet 实现Cifar10图像分类
• 6-7 PyTorch搭建cifar10训练脚本-tensorboard记录LOG（上）
• 6-8 PyTorch搭建cifar10训练脚本-tensorboard记录LOG（下）
• 6-9 PyTorch搭建cifar10训练脚本搭建-ResNet结构（上）
• 06.Pytorch实战2
• 7-1 目标检测问题介绍（上）
• 7-10 MMdetection LOG分析
• 7-2 目标检测问题介绍（下）
• 7-3 Pascal VOC-COCO数据集介绍
• 7-4 MMdetection框架介绍-安装说明
• 7-5 MMdetection框架使用说明
• 7-6 MMdetection训练Passcal VOC目标检测任务（上）
• 7-7 MMdetection训练Passcal VOC目标检测任务（中）
• 7-8 MMdetection训练Passcal VOC目标检测任务（下）
• 7-9 MMdetection Test脚本
• 07.Pytorch实战3
• 8-1 图像分割基本概念
• 8-2 图像分割方法介绍
• 8-3 图像分割评价指标及目前面临的挑战
• 8-4 COCO数据集介绍
• 8-5 detectron框架介绍和使用简单说明
• 8-6 coco数据集标注文件解析
• 8-7 detectron源码解读和模型训练-demo测试
• 08.Pytorch实战4
• 9-1 GAN的基础概念和典型模型介绍（上）
• 9-2 GAN的基础概念和典型模型介绍（下）
• 9-3 图像风格转换数据下载与自定义dataset类
• 9-4 cycleGAN模型搭建-model
• 9-5 cycleGAN模型搭建-train（上）
• 9-6 cycleGAN模型搭建-train（下）
• 9-7 cycleGAN模型搭建-test
• 09.RNN网络
• 10-1 RNN网络基础
• 10-2 RNN常见网络结构-simple RNN网络
• 10-3 Bi-RNN网络
• 10-4 LSTM网络基础
• 10-5 Attention结构
• 10-6 Transformer结构
• 10-7 BERT结构
• 10-8 NLP基础概念介绍
• 10.Pytorch实战5
• 11-1 文本情感分析-情感分类概念介绍
• 11-10 文本情感分类-test脚本定义
• 11-2 文本情感分类关键流程介绍
• 11-3 文本情感分类之文本预处理
• 11-4 文本情感分类之特征提取与文本表示
• 11-5 文本情感分类之深度学习模型
• 11-6 文本情感分类-数据准备
• 11-7 文本情感分类-dataset类定义
• 11-8 文本情感分类-model类定义
• 11-9 文本情感分类-train脚本定义
• 11.Pytorch实战6
• 12-1 机器翻译相关方法-应用场景-评价方法
• 12-2 Seq2Seq-Attention编程实例数据准备-模型结构-相关函数
• 12-3 Seq2Seq-Attention编程实例-定义数据处理模块
• 12-4 Seq2Seq-Attention编程实例-定义模型结构模块（上）
• 12-5 Seq2Seq-Attention编程实例-定义模型结构模块（下）
• 12-6 Seq2Seq-Attention编程实例-定义train模块（上）
• 12-7 Seq2Seq-Attention编程实例-定义train模块（下）
• 12-8 Seq2Seq-Attention编程实例-定义train模块-loss function
• 12-9 Seq2Seq-Attention编程实例-定义eval模块
• 12.Pytorch实战7
• 13-1 PyTorch模型开发与部署基础平台介绍
• 13-2 PyTorch工程化基础–Torchscript
• 13-3 PyTorch服务端发布平台–Torchserver
• 13-4 PyTorch终端推理基础–ONNX
• 14-1 linux操作基础串讲
• 15-1 课程总结
• 代码
• detectron2-master
• mmdetection-master
• Pytorch_code-master
• 02.深度学习-PyTorch实战
• 01.PyTorch基础
• 1-1 PyTorch实战课程简介
• 1-2 PyTorch框架发展趋势简介
• 1-3 框架安装方法（CPU与GPU版本）
• 1-4 PyTorch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
• 02.分类任务
• 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
• 2-6 DataSet模块介绍与应用方法
• 03.卷积神经
• 3-1 卷积神经网络应用领域
• 3-10 VGG网络架构
• 3-11 残差网络Resnet
• 3-12 感受野的作用
• 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
• 04.图像识别
• 4-1 卷积网络参数定义
• 4-2 网络流程解读
• 4-3 Vision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
• 4-7 Batch数据制作
• 05.迁移学习
• 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
• 06.RNN神经网络
• 6-1 RNN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
• 6-5 CBOW与Skip-gram模型
• 6-6 负采样方案
• 07.文本分类实战
• 7-1 任务目标与数据简介
• 7-2 RNN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
• 7-5 LSTM网络模块定义与参数解析
• 7-6 训练LSTM文本分类模型
• 7-7 Tensorboardx可视化展示模块搭建
• 7-8 CNN应用于文本任务原理解析
• 7-9 网络模型架构与效果展示
• 08.对抗生成网络架构
• 8-1 对抗生成网络通俗解释
• 8-2 GAN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
• 09.CycleGan开源实战
• 9-1 CycleGan网络所需数据
• 9-10 额外补充：VISDOM可视化配置
• 9-2 CycleGan整体网络架构
• 9-3 PatchGan判别网络原理
• 9-4 Cycle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
• 10.OCR文字识别
• 10-1 OCR文字识别要完成的任务
• 10-2 CTPN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
• 10-5 CTPN细节概述
• 10-6 CRNN识别网络架构
• 10-7 CTC模块的作用
• 11.OCR文字识别实战
• 11-1 OCR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
• 11-7 CRNN识别模块所需数据与标签
• 11-8 识别模块网络架构解读
• 12.3D卷积视频分析
• 12-1 3D卷积原理解读
• 12-2 UCF101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
• 12-6 3D卷积网络所涉及模块
• 12-7 训练网络模型
• 13.BERT框架
• 13-1 BERT任务目标概述
• 13-10 训练实例
• 13-2 传统解决方案遇到的问题
• 13-3 注意力机制的作用
• 13-4 self-attention计算方法
• 13-5 特征分配与softmax机制
• 13-6 Multi-head的作用
• 13-7 位置编码与多层堆叠
• 13-8 transformer整体架构梳理
• 13-9 BERT模型训练方法
• 14.BERT源码
• 14-1 BERT开源项目简介
• 14-10 构建QKV矩阵
• 14-11 完成Transformer模块构建
• 14-12 训练BERT模型
• 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
• 14-5 tfrecord制作
• 14-6 Embedding层的作用
• 14-7 加入额外编码特征
• 14-8 加入位置编码特征
• 14-9 mask机制
• 15.PyTorch实战
• 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
• 16.PyTorch框架实战
• 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
• 代码+资料
• PPT
• 第01章：PyTorch框架基本处理操作
• 第02章：神经网络实战分类与回归任务
• 第03章：卷积神经网络
• 第04章：图像识别核心模块实战解读
• 第06章：word2vec通俗解释
• 第07章：新闻数据集文本分类实战
• 第08章：对抗生成网络架构原理与实战解析
• 第09章：基于CycleGan开源项目实战图像合成
• 第11章：OCR文字识别项目实战
• 第12章：基于3D卷积的视频分析与动作识别
• 第13章：自然语言处理通用框架BERT原理解读
• 第14章：谷歌开源项目BERT源码解读（官方TF版）
• 第15章：BERT
• 第16章：PyTorch框架实战模板解读
• 03.Pytorch项目实战机器人
• 01.项目的介绍
• 1-1 课程导学
• 1-2 聊天机器人的综合介绍
• 1-3 聊天机器人起源发展
• 1-4 聊天机器人的分类(1)
• 1-5 聊天机器人的分类(2)
• 1-6 如何构建最简单的聊天机器人(1)
• 1-7 如何构建最简单的聊天机器人(2)
• 1-8 代码小练
• 02.项目的准备阶段
• 2-1 NLP基础
• 2-2 NLP涉及知识
• 2-3 NLTK库2020-02-16 11_02
• 2-4 语料和词性标注
• 2-5 分词
• 2-6 TF-IDF
• 2-7 NLTK安装
• 2-8 代码小练
• 03.项目之自然语言处理
• 3-1 NLP基础和聊天机器人
• 3-2 文本处理方法
• 3-3 word2vec (1)
• 3-4 word2vec(2)
• 3-5 代码小练
• 04.贝叶斯分类算法
• 4-1 检索类的聊天机器人
• 4-2 贝叶斯分类
• 4-3 Chatterbot原理
• 4-4 代码小练
• 4-5 章节小结
• 05.RNN网络
• 5-1 生成类聊天机器人
• 5-2 RNN LSTM原理
• 5-3 RNN LSTM模型原理
• 5-4 Seq2seq介绍
• 5-5 Attenion应用及分类
• 5-6 代码实战（1）
• 5-7 代码实战（2）
• 5-8 代码实战（3）
• 5-9 代码实战（4）
• 06.Pytorch框架
• 6-1 Pytorch入门_慕课网
• 6-2 原理机制
• 6-3 数据载入
• 6-4 模型训练和验证测试
• 6-5 代码小练（1）
• 6-6 代码小练（2）
• 6-7 代码训练过程
• 6-8 章节小结
• 07.GAN网络
• 7-1 模型与主流发展方向还是seq2seq+attention
• 7-2 发展方向和SeqGan和深度学习结合
• 7-3 数据处理
• 7-4 开发生成器脚本
• 7-5 开发鉴别器脚本
• 7-6 开发主函数的脚本（1）
• 7-7 开发主函数的脚本（2） (1)
• 7-8 开发主函数的脚本（3）
• 7-9 代码训练过程
• 08.Pytorch实战
• 8-1 项目介绍
• 8-10 建立模型Decoder
• 8-11 建立模型BAttentiondecoerRNN
• 8-12 建立模型Lattention
• 8-13 建立模型LattentionDecoder
• 8-14 建立模型decoder如何选择
• 8-15 模型建立seq2seq类及train方法（1）
• 8-16 模型建立seq2seq类及train方法（2）
• 8-17 模型建立seq2seq类及train方法（3）
• 8-18 greedy Search方法_慕课网 2020-02-16 11_02
• 8-19 模型建立beamsearch方法（1）
• 8-2 项目流程思路
• 8-20 模型建立beamsearch方法（2）
• 8-21 建立模型验证方法
• 8-22 建立模型bleu方法
• 8-23 建立模型embAve方法
• 8-24 建立模型Y_pre方法及整体思路流程
• 8-25 训练脚本编写及演示
• 8-26 模型测脚本编写
• 8-27 demo脚本编写及演示
• 8-28 部署步骤分享
• 8-29 最终总结
• 8-3 数据分析
• 8-4 数据预处理 初始化-1
• 8-4 数据预处理 初始化
• 8-5 数据预处理随机数据
• 8-6 数据预处理one_epoch word2id
• 8-7 数据预处理seq2id replace方法
• 8-8 建立模型Encoder（1）
• 8-9 建立模型Encoder（2）
• 代码
• NLP_Chatbot-master
• 数据库模型
• 04.深度学习基础课
• 01.深度学习要解决的问题
• 02.深度学习应用领域
• 03.计算机视觉任务
• 04.视觉任务中遇到的问题
• 05.得分函数
• 06.损失函数的作用
• 07.前向传播整体流程
• 08.梯度下降通俗解释（以线性回归算法为例，神经网络也是如此）
• 09.参数更新方法
• 10.优化参数设置
• 11.返向传播计算方法
• 12.神经网络整体架构
• 13.神经网络架构细节
• 14. 神经元个数对结果的影响
• 15.正则化与激活函数
• 16.神经网络过拟合解决方法
• 17.神经网络整体框架概述
• 18.参数初始化操作
• 19.矩阵向量转换
• 20.向量反变换
• 21.完成前向传播模块
• 22.损失函数定义
• 23.准备反向传播迭代
• 24.差异项计算
• 25.逐层计算
• 26.完成全部迭代更新模块
• 27.手写字体识别数据集
• 28.算法代码错误修正
• 29.模型优化结果展示
• 30.测试效果可视化展示
• 配套资料(代码+课件)