深入浅出PyTorch
PyTorch是利用深度学习进行数据科学研究的重要工具,在灵活性、可读性和性能上都具备相当的优势,近年来已成为学术界实现深度学习算法最常用的框架。
考虑到PyTorch的学习兼具理论储备和动手训练,两手都要抓两手都要硬的特点,我们开发了《深入浅出PyTorch》课程,期望以组队学习的形式,帮助大家从入门到熟练掌握PyTorch工具,进而实现自己的深度学习算法。
我们的愿景是:通过组队学习,大家能够掌握由浅入深地PyTorch的基本知识和内容,经过自己的动手实践加深操作的熟练度。同时通过项目实战,充分锻炼编程能力,掌握PyTorch进行深度学习的基本流程,提升解决实际问题的能力。
学习的先修要求是,会使用Python编程,了解包括神经网络在内的机器学习算法,勤于动手实践。
《深入浅出PyTorch》是一个系列,一共有三个部分。已经上线的是本系列的第一、二部分,后续会不断更新《深入浅出PyTorch》(下),给出更贴合实际应用的实战案例。
:maxdepth: 2
:caption: 目录
第一章/index
第二章/index
第三章/index
第四章/index
第五章/index
第六章/index
第七章/index
第八章/index
第九章/index
第十章/index
人员安排
成员 |
个人简介 |
个人主页 |
牛志康 |
DataWhale成员,西安电子科技大学本科生 |
个人主页 |
李嘉骐 |
DataWhale成员,清华大学研究生 |
个人主页 |
刘洋 |
Datawhale成员,中国科学院数学与系统科学研究所研究生 |
个人主页 |
陈安东 |
Datawhale成员,中央民族大学研究生 |
个人主页 |
更新计划
内容 |
更新时间 |
内容 |
模型初始化 |
✅ |
torch.nn.init 的使用 |
visdom可视化 |
2022.4.5 |
Visdom 的使用 |
apex |
2022.5.4 |
apex的简介和使用 |
超参数的保存 |
✅ |
介绍argparse与yaml |
onnx |
✅ |
讲述ONNX格式和实战例子 |
模型部署 |
|
Flask部署PyTorch模型 |
TorchScript |
|
TorchScript |
数据增强 |
✅ |
imgaug的使用 |
并行训练 |
|
并行训练 |
模型预训练 - torchhub |
2022.4.16 |
torchhub的简介和使用方法 |
模型预训练 - timm |
✅ |
timm预训练模型的使用方法 |
模型预训练 - openmmlab |
2022.4.27 |
openmmlab系列的使用 |
目标检测 - yolo系列 |
|
Yolo系列介绍与trick实现 |
目标检测 - SSD |
|
SSD的简介和实现 |
目标检测 - RCNN系列 |
|
Fast-RCNN & Mask-RCNN |
目标检测 - DETR |
|
DETR的实现 |
图像分类 - GoogLeNet |
2022.5.11 |
GoogLeNet的介绍与实现 |
图像分类 - Vision transformer |
2022.5.18 |
Vit介绍与实现 |
图像分类 - MobileNet系列 |
2022.4月 |
MobileNet系列介绍与实现 |
图像分类 - GhostNet |
2022.4月 |
GhostNet代码讲解 |
生成式对抗网络 - 生成手写数字实战 |
2022.5.25 |
生成数字并可视化 |
生成式对抗网络 - DCGAN |
|
|
风格迁移 - StyleGAN |
|
|
生成网络 - VAE |
|
|
图像分割 Deeplab系列 |
|
Deeplab系列代码讲解 |
自然语言处理 LSTM |
|
LSTM情感分析实战 |
自然语言处理 RNN |
|
RNN名字分类 |
自然语言处理 Transformer |
|
|
自然语言处理 BERT |
|
|
视频 |
|
待定 |
音频 |
|
待定 |
自定义CUDA扩展和算子 |
|
|
课程编排与使用方法
部分章节直播讲解请观看B站回放(持续更新):bilibili链接
鸣谢与反馈