310分钟
深度学习框架：PyTorch入门与实战
本门课程我们将以现今深度学习框架最主流框架之一的 PyTorch 为依托，全面讲解在PyTorch上开发和设计深度学习模型和优化算法的细节。 课程将以全程实战的方式进行PyTorch框架使用方法演示，…
本门课程我们将以现今深度学习框架最主流框架之一的 PyTorch 为依托，全面讲解在PyTorch上开发和设计深度学习模型和优化算法的细节。
课程将以全程实战的方式进行PyTorch框架使用方法演示，同时还会穿插机器学习理论和深度学习技术等补充知识，在深度解读PyTorch框架的多种应用场景与实际应用的同时，务实学员在理论与实践中相互结合。
学员通过学习本课程，将全面掌握学术界和工业界的AI应用方法，最终能够结合实际数据集进行数据预处理、建模、应用等基础操作。
课程导读
一、PyTorch框架基本处理操作
- 1.PyTorch实战课程及发展趋势简介
- 2.框架安装方法
- 3.PyTorch基本操作简介
- 4.自动求导机制
- 5.线性回归DEMO——数据与参数配置
- 6.线性回归DEMO——训练回归模型
- 7.常见tensor格式
- 8.Hub模块简介
二、神经网络实战分类与回归任务
- 1.气温数据集与任务介绍
- 2.按建模顺序构建完成网络架构
- 3.简化代码训练网络模型
- 4.分类网络模型
- 5.DataSet模块介绍与应用方法
三、迁移学习的作用与应用实例
- 1.迁移学习目标与学习策略
- 2.训练好的网络模型与优化器模块
- 3.实现训练模块
- 4.训练结果与模型保存
- 5.加载模型对测试数据进行预测
- 6.额外补充——Resnet论文解读
四、递归神经网络与词向量原理解读
- 1.RNN网络架构解读
- 2.词向量名词通俗解释
- 3.模型整体框架与训练数据构建
- 4.CBOW与Skip-gram模型与负采样方案
五、新闻数据集文本分类实战
- 1.任务目标与数据简介
- 2.RNN模型所需输入格式解析与项目实战
- 3.新闻数据读取与预处理方法和LSTM网络模块
- 4.训练LSTM文本分类模型
- 5.Tensorboardx可视化展示模块搭建
- 6.CNN应用于文本任务原理解析
- 7.网络模型架构与效果展示
课程总结
课程资料
课后测试
唐宇迪
同济大学硕士，华东理工大学博士