PyTorch是目前深度学习的主流框架之一,它有着成熟的生态、大量开源的源码以及最新的模型,无论学术研究还是工程落地,PyTorch都是主流选择。同时,PyTorch比其他深度学习框架更易学,也是新手入门的好选择。本课程将算法、模型和基础理论知识进行有机结合,结合多个不同的CV与NLP实战项目,帮助大家掌握PyTorch框架的基础知识和使用方法,并学会利用PyTorch框架解决实际问题。通过本课程,可以较平稳地快速入门深度学习领域,初步掌握解决深度学习基础问题的关键性技能。

1-1课程导学(13:57)

2-1初识Pytorch基本框架(11:15)

2-2【讨论题】比较动态图与静态图推理框架

2-3环境配置(1)(11:21)

2-4环境配置(2)(08:48)

3-1机器学习中的分类与回归问题-机器学习基本构成元素(11:15)

3-2Tensor的基本定义(06:21)

3-3Tensor与机器学习的关系(07:33)

3-4Tensor创建编程实例(19:55)

3-5Tensor的属性(07:39)

3-6Tensor的属性-稀疏的张量的编程实践(07:39)

3-7Tensor的算术运算(08:12)

3-8Tensor的算术运算编程实例(17:06)

3-9in-place的概念和广播机制(09:58)

3-10取整-余(03:49)

3-11比较运算-排序-topk-kthvalue-数据合法性校验(18:28)

3-12三角函数(04:18)

3-13其他数学函数(05:33)

3-14Pytorch与统计学方法(14:55)

3-15Pytorch与分布函数(04:56)

3-16Pytorch与随机抽样(05:15)

3-17Pytorch与线性代数运算(09:18)

3-18Pytorch与矩阵分解-PCA(19:52)

3-19Pytorch与矩阵分解-SVD分解-LDA(13:09)

3-20Pytorch与张量裁剪(08:48)

3-21Pytorch与张量的索引与数据筛选(27:08)

3-22Pytorch与张量组合与拼接(11:34)

3-23Pytorch与张量切片(07:37)

3-24Pytorch与张量变形(14:09)

3-25Pytorch与张量填充&傅里叶变换(03:27)

3-26Pytorch简单编程技巧(11:33)

3-27Pytorch与autograd-导数-方向导数-偏导数-梯度的概念(10:02)

3-28Pytorch与autograd-梯度与机器学习最优解(12:46)

3-29Pytorch与autograd-Variable$tensor(02:57)

3-30Pytorch与autograd-如何计算梯度(03:04)

3-31Pytorch与autograd中的几个重要概念-variable-grad-grad_fn(10:32)

3-32Pytorch与autograd中的几个重要概念-autograd例子(14:15)

3-33Pytorch与autograd中的几个重要概念-function(08:18)

3-34Pytorch与nn库(19:46)

3-35Pytorch与visdom(04:56)

3-36Pytorch与tensorboardX(05:57)

3-37Pytorch与torchvision(02:21)

4-1机器学习和神经网络的基本概念(1)(20:53)

4-2机器学习和神经网络的基本概念(2)(17:16)

4-3利用神经网络解决分类和回归问题(1)(18:27)

4-4利用神经网络解决分类和回归问题(2)(18:46)

4-5利用神经网络解决分类和回归问题(3)(13:08)

4-6利用神经网络解决分类和回归问题(4)(12:06)

4-7利用神经网络解决分类和回归问题(5)(13:29)

5-1计算机视觉基本概念(23:01)

5-2图像处理常见概念(24:30)

5-3特征工程(14:07)

5-4卷积神经网(上)(12:36)

5-5卷积神经网(下)(12:04)

5-6pooling层(05:07)

5-7激活层-BN层-FC层-损失层(12:13)

5-8经典卷积神经网络结构(09:54)

5-9轻量型网络结构(07:35)

5-10多分支网络结构(03:42)

5-11attention的网络结构(08:24)

5-12学习率(04:43)

5-13优化器(07:32)

5-14卷积神经网添加正则化(03:27)

6-1图像分类网络模型框架解读(上)(15:04)

6-2图像分类网络模型框架解读(下)(15:41)

6-3cifar10数据介绍-读取-处理(上)(09:43)

6-4cifar10数据介绍-读取-处理(下)(10:49)

6-5PyTorch自定义数据加载-加载Cifar10数据(15:23)

6-6PyTorch搭建VGGNet实现Cifar10图像分类(15:03)

6-7PyTorch搭建cifar10训练脚本-tensorboard记录LOG(上)(14:48)

6-8PyTorch搭建cifar10训练脚本-tensorboard记录LOG(下)(19:36)

6-9PyTorch搭建cifar10训练脚本搭建-ResNet结构(上)(16:56)

6-10PyTorch搭建cifar10训练脚本搭建-ResNet结构(下)(10:29)

6-11PyTorch搭建cifar10训练脚本搭建-Mobilenetv1结构(11:34)

6-12PyTorch搭建cifar10训练脚本搭建-Inception结构(上)(15:04)

6-13PyTorch搭建cifar10训练脚本搭建-Inception结构(下)(09:13)

6-14PyTorch搭建cifar10训练脚本搭建-调用Pytorch标准网络ResNet18等(06:05)

6-15PyTorch搭建cifar10推理测试脚本搭建(08:30)

6-16分类问题优化思路(17:12)

6-17分类问题最新研究进展和方向(06:33)

7-1目标检测问题介绍(上)(14:09)

7-2目标检测问题介绍(下)(11:47)

7-3PascalVOC-COCO数据集介绍(05:14)

7-4MMdetection框架介绍-安装说明(15:11)

7-5MMdetection框架使用说明(12:18)

7-6【讨论题】比较mmdetection与detectron

7-7MMdetection训练PasscalVOC目标检测任务(上)(17:26)

7-8MMdetection训练PasscalVOC目标检测任务(中)(16:27)

7-9MMdetection训练PasscalVOC目标检测任务(下)(11:51)

7-10MMdetectionTest脚本(03:36)

7-11MMdetectionLOG分析(05:43)

8-1图像分割基本概念(10:37)

8-2图像分割方法介绍(19:02)

8-3图像分割评价指标及目前面临的挑战(09:51)

8-4COCO数据集介绍(04:20)

8-5detectron框架介绍和使用简单说明(10:09)

8-6coco数据集标注文件解析(07:52)

8-7detectron源码解读和模型训练-demo测试(37:29)

8-8【讨论题】比较全景分割,语义分割和实例分割不同任务

9-1GAN的基础概念和典型模型介绍(上)(15:03)

9-2GAN的基础概念和典型模型介绍(下)(13:02)

9-3图像风格转换数据下载与自定义dataset类(11:14)

9-4cycleGAN模型搭建-model(16:15)

9-5cycleGAN模型搭建-train(上)(18:02)

9-6cycleGAN模型搭建-train(下)(18:28)

9-7cycleGAN模型搭建-test(06:40)

10-1RNN网络基础(07:18)

10-2RNN常见网络结构-simpleRNN网络(10:56)

10-3Bi-RNN网络(04:42)

10-4LSTM网络基础(13:58)

10-5Attention结构(09:41)

10-6Transformer结构(13:15)

10-7BERT结构(07:21)

10-8NLP基础概念介绍(15:06)

10-9【讨论题】深入了解transformer在CV任务中的应用

11-1文本情感分析-情感分类概念介绍(09:34)

11-2文本情感分类关键流程介绍(02:25)

11-3文本情感分类之文本预处理(06:33)

11-4文本情感分类之特征提取与文本表示(05:15)

11-5文本情感分类之深度学习模型(08:33)

11-6文本情感分类-数据准备(16:42)

11-7文本情感分类-dataset类定义(12:32)

11-8文本情感分类-model类定义(11:37)

11-9文本情感分类-train脚本定义(13:37)

11-10文本情感分类-test脚本定义(05:06)

12-1机器翻译相关方法-应用场景-评价方法(14:23)

12-2Seq2Seq-Attention编程实例数据准备-模型结构-相关函数(05:31)

12-3Seq2Seq-Attention编程实例-定义数据处理模块(17:08)

12-4Seq2Seq-Attention编程实例-定义模型结构模块(上)(13:10)

12-5Seq2Seq-Attention编程实例-定义模型结构模块(下)(13:46)

12-6Seq2Seq-Attention编程实例-定义train模块(上)(13:03)

12-7Seq2Seq-Attention编程实例-定义train模块(下)(10:33)

12-8Seq2Seq-Attention编程实例-定义train模块-lossfunction(20:10)

12-9Seq2Seq-Attention编程实例-定义eval模块(08:40)

12-10【讨论题】深入了解Attention在CV任务中的应用前景?

13-1PyTorch模型开发与部署基础平台介绍(09:39)

13-2PyTorch工程化基础--Torchscript(09:15)

13-3PyTorch服务端发布平台--Torchserver(06:31)

13-4PyTorch终端推理基础--ONNX(06:05)

14-1linux操作基础串讲(19:18)

15-1课程总结(11:14)

独家号:慕课网

慕课网(IMOOC)是IT技能学习平台。慕课网(IMOOC)课程涉及JAVA、前端、Python、大数据等60类主流技术语言,覆盖了面试就业、职业成长、自我提升等需求场景,帮助用户实现从技能提升到岗位提升的能力闭环。

学习方式:在线播放或缓存下载