(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 11mo ago
复制链接
内容