PyTorch 学习笔记
给作者点个 star
知乎
关于我
搜索文档…
(开篇词)PyTorch 学习笔记
1 基本概念
2 图片处理与数据加载
3 模型构建
4 模型训练
5 可视化与 Hook
6 正则化
7 模型其他操作
8 实际应用
9 其他
由
GitBook
提供支持
(开篇词)PyTorch 学习笔记
这篇文章是我学习 PyTorch 过程中所记录的学习笔记汇总,包括
25
篇文章,是我学习
PyTorch
框架版课程期间所记录的内容。
学习笔记的结构遵循课程的顺序,共分为 8 周,循序渐进,
力求通俗易懂
。
代码
配套代码:
https://github.com/zhangxiann/PyTorch_Practice
所有代码均在 PyCharm 中通过测试,建议通过 git 克隆到本地运行。
数据
由于代码中会用到一些第三方的数据集,这里给出百度云的下载地址(如果有其他更好的数据托管方式,欢迎告诉我)。
数据下载地址: 链接:
https://pan.baidu.com/s/1f9wQM7gvkMVx2x5z6xC9KQ
提取码:w7xt
面向读者
本教程假定读你有一定的机器学习和深度学习基础。
如果你没有学习过机器学习或者深度学习,建议先观看 Andrew ng 的深度学习(Deep Learning)课程,课程地址:
https://mooc.study.163.com/university/deeplearning_ai#/c
。
然后再学习本教程,效果会更佳。
学习计划
这个学习笔记共 25 章,分为 8 周进行的,每周大概 3 章(当然你可以根据自己的进度调整),每章花费的时间约 30 分钟到 2 个小时之间。
目录大纲如下:
(开篇词)PyTorch 学习笔记
1 基本概念
1.1 PyTorch 简介与安装
1.2 Tensor(张量)介绍
1.3 张量操作与线性回归
1.4 计算图与动态图机制
1.5 autograd 与逻辑回归
2 图片处理与数据加载
2.1 DataLoader 与 DataSet
2.2 图片预处理 transforms 模块机制
2.3 二十二种 transforms 图片数据预处理方法
3 模型构建
3.1 模型创建步骤与 nn.Module
3.2 卷积层
3.3 池化层、线性层和激活函数层
4 模型训练
4.1 权值初始化
4.2 损失函数
4.3 优化器
5 可视化与 Hook
5.1 TensorBoard 介绍
5.2 Hook 函数与 CAM 算法
6 正则化
6.1 weight decay 和 dropout
6.2 Normalization
7 模型其他操作
7.1 模型保存与加载
7.2 模型 Finetune
7.3 使用 GPU 训练模型
8 实际应用
8.1 图像分类简述与 ResNet 源码分析
8.2 目标检测简介
8.3 GAN(生成对抗网络)简介
8.4 手动实现 RNN
9 其他
PyTorch 常见报错信息
图神经网络 PyTorch Geometric 入门教程
如果这份 PyTorch 学习笔记对你有帮助,欢迎 star:
https://github.com/zhangxiann/PyTorch_Practice
如果你觉得这篇文章对你有帮助,不妨点个赞,让我有更多动力写出好文章。
欢迎扫码关注我的公众号
张贤同学
。
下一个
1 基本概念
最近更新
1yr ago
复制链接
内容
代码
数据
面向读者
学习计划