[PyTorch 學習筆記] 匯總 - 完結撒花

PyTorch 學習筆記

這篇文章是我學習 PyTorch 過程中所記錄的學習筆記匯總，包括 25 篇文章，是我學習深度之眼 PyTorch 框架版課程期間所記錄的內容。課程地址：https://ai.deepshare.net/detail/p_5df0ad9a09d37_qYqVmt85/6。

學習筆記的結構遵循課程的順序，共分為 8 周，循序漸進，力求通俗易懂。

代碼

配套代碼：https://github.com/zhangxiann/PyTorch_Practice

所有代碼均在 PyCharm 中通過測試，建議通過 git 克隆到本地運行。

數據

由於代碼中會用到一些第三方的數據集，這里給出百度雲的下載地址（如果有其他更好的數據托管方式，歡迎告訴我）。

數據下載地址：
鏈接：https://pan.baidu.com/s/1f9wQM7gvkMVx2x5z6xC9KQ
提取碼：w7xt

面向讀者

本教程假定讀你有一定的機器學習和深度學習基礎。

如果你沒有學習過機器學習或者深度學習，建議先觀看 Andrew ng 的深度學習（Deep Learning）課程，課程地址： https://mooc.study.163.com/university/deeplearning_ai#/c。

然后再學習本教程，效果會更佳。

學習計划

這個學習筆記共 25 章，分為 8 周進行的，每周大概 3 章（當然你可以根據自己的進度調整），每章花費的時間約 30 分鍾到 2 個小時之間。

目錄大綱如下：

• Week 1（基本概念）
  • 1.1 PyTorch 簡介與安裝
  • 1.2 Tensor(張量)介紹
  • 1.3 張量操作與線性回歸
  • 1.4 計算圖與動態圖機制
  • 1.5 autograd 與邏輯回歸
• Week 2（圖片處理與數據加載）
  • 2.1 DataLoader 與 DataSet
  • 2.2 圖片預處理 transforms 模塊機制
  • 2.3 二十二種 transforms 圖片數據預處理方法
• Week 3（模型構建）
  • 3.1 模型創建步驟與 nn.Module
  • 3.2 卷積層
  • 3.3 池化層、線性層和激活函數層
• Week 4（模型訓練）
  • 4.1 權值初始化
  • 4.2 損失函數
  • 4.3 優化器
• Week 5（可視化與 Hook）
  • 5.1 TensorBoard 介紹
  • 5.2 Hook 函數與 CAM 算法
• Week 6（正則化）
  • 6.1 weight decay 和 dropout
  • 6.2 Normalization
• Week 7（模型其他操作）
  • 7.1 模型保存與加載
  • 7.2 模型 Finetune
  • 7.3 使用 GPU 訓練模型
• Week 8（實際應用）
  • 8.1 圖像分類簡述與 ResNet 源碼分析
  • 8.2 目標檢測簡介
  • 8.3 GAN（生成對抗網絡）簡介
  • 8.4 手動實現 RNN

如果這份 PyTorch 學習筆記對你有幫助，歡迎 star：

https://github.com/zhangxiann/PyTorch_Practice

如果你覺得這篇文章對你有幫助，不妨點個贊，讓我有更多動力寫出好文章。

歡迎掃碼關注我的公眾號張賢同學。