深度学习框架-PyTorch实战系列

【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[url=]资料下载[/url]
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
[04:53]1-2PyTorch框架发展趋势简介
[08:25]1-3框架安装方法（CPU与GPU版本）
[05:13]1-4PyTorch基本操作简介[09:25]1-5自动求导机制[10:59]1-6线性回归DEMO-数据与参数配置[08:56]1-7线性回归DEMO-训练回归模型[10:08]1-8补充：常见tensor格式[07:10]1-9补充：Hub模块简介[08:25]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
[06:42]2-2按建模顺序构建完成网络架构
[11:38]2-3简化代码训练网络模型[11:04]2-4分类任务概述[05:12]2-5构建分类网络模型[09:40]2-6DataSet模块介绍与应用方法[10:11]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[07:25]3-2卷积的作用[09:23]3-3卷积特征值计算方法[08:07]3-4得到特征图表示[06:59]3-5步长与卷积核大小对结果的影响[08:11]3-6边缘填充方法[06:30]3-7特征图尺寸计算与参数共享[07:02]3-8池化层的作用[05:38]3-9整体网络架构[06:20]3-10VGG网络架构[06:16]3-11残差网络Resnet[07:41]3-12感受野的作用[05:46]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[07:21]4-2网络流程解读[07:26]4-3Vision模块功能解读[05:10]4-4分类任务数据集定义与配置[06:27]4-5图像增强的作用[04:51]4-6数据预处理与数据增强模块[09:25]4-7Batch数据制作[08:37]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[05:31]5-2迁移学习策略[07:11]5-3加载训练好的网络模型[09:54]5-4优化器模块配置[05:14]5-5实现训练模块[08:15]5-6训练结果与模型保存[09:31]5-7加载模型对测试数据进行预测[09:10]5-8额外补充-Resnet论文解读[11:47]5-9额外补充-Resnet网络架构解读[08:26]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[11:27]6-2词向量模型通俗解释[08:14]6-3模型整体框架[10:09]6-4训练数据构建[05:10]6-5CBOW与Skip-gram模型[08:20]6-6负采样方案[07:40]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
[07:18]7-2RNN模型所需输入格式解析
[06:54]7-3项目配置参数设置[10:26]7-4新闻数据读取与预处理方法[08:07]7-5LSTM网络模块定义与参数解析[09:35]7-6训练LSTM文本分类模型[08:55]7-7Tensorboardx可视化展示模块搭建[09:16]7-8CNN应用于文本任务原理解析[10:46]7-9网络模型架构与效果展示[10:58]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[08:25]8-2GAN网络组成[05:14]8-3损失函数解释说明[10:05]8-4数据读取模块[08:26]8-5生成与判别网络定义[08:39]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[06:50]9-2CycleGan整体网络架构[10:03]9-3PatchGan判别网络原理[04:40]9-4Cycle开源项目简介[07:07]9-5数据读取与预处理操作[10:17]9-6生成网络模块构造[12:12]9-7判别网络模块构造[05:02]9-8损失函数：identity loss计算方法[09:12]9-9生成与判别损失函数指定[11:40]9-10额外补充：VISDOM可视化配置[05:54]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[06:29]10-2CTPN文字检测网络概述[08:05]10-3序列网络的作用[09:20]10-4输出结果含义解析[07:09]10-5CTPN细节概述[09:06]10-6CRNN识别网络架构[06:16]10-7CTC模块的作用[04:29]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[04:20]11-2训练数据准备与环境配置[06:49]11-3检测模块候选框生成[08:06]11-4候选框标签制作[08:23]11-5整体网络所需模块[04:55]11-6网络架构各模块完成的任务解读[08:38]11-7CRNN识别模块所需数据与标签[05:12]11-8识别模块网络架构解读[10:41]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[07:43]12-2UCF101动作识别数据集简介[06:02]12-3测试效果与项目配置[12:01]12-4视频数据预处理方法[07:24]12-5数据Batch制作方法[09:02]12-63D卷积网络所涉及模块[07:50]12-7训练网络模型[08:32]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[05:27]13-2传统解决方案遇到的问题[11:09]13-3注意力机制的作用[06:57]13-4self-attention计算方法[11:25]13-5特征分配与softmax机制[09:20]13-6Multi-head的作用[09:09]13-7位置编码与多层堆叠[07:17]13-8transformer整体架构梳理[10:57]13-9BERT模型训练方法[09:37]13-10训练实例[09:47]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[07:35]14-2项目参数配置[12:08]14-3数据读取模块[07:40]14-4数据预处理模块[09:37]14-5tfrecord制作[11:35]14-6Embedding层的作用[07:29]14-7加入额外编码特征[09:22]14-8加入位置编码特征[05:12]14-9mask机制[08:49]14-10构建QKV矩阵[12:38]14-11完成Transformer模块构建[09:56]14-12训练BERT模型[08:51]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[06:52]15-2数据读取与预处理[05:45]15-3网络结构定义[07:01]15-4训练网络模型[08:19]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[08:43]16-2各模块配置参数解析[09:15]16-3数据读取与预处理模块功能解读[11:45]16-4模型架构模块[06:46]16-5训练模块功能[11:22]16-6训练结果可视化展示模块[07:19]16-7模块应用与BenckMark解读[11:53]

免费下载：(文件内有百度网盘下载地址)