01 为什么要学这门课？
02 如何学这门课？
03 这门课谁适合学？
-
1、如果你是数据分析师，这门课可以帮你快速入门深度学习，让你从零进阶也能学会上手！ -
2、如果你是数据挖掘工程师，这门课可以教你一套日常应用算法的模板！ -
3、如果你是机器学习、深度学习算法工程师，这门课可以帮你查缺补漏，原理+实践都有更深入的突破！
04 这门课学什么？
【进阶必修·训练营】深度学习PyTorch框架实战
模块一
1、PyTorch简介
2、环境配置
3、Pycharm
4、anaconda
5、安装PyTorch
6、测试
7、PyTorch的数据结构--Tensor和Variable
8、PyTorch的自动微分--autograd
9、PyTorch的nn模块--逻辑回归
作业讲解:
Tensor操作
实现自动微分
采用nn实现逻辑回归分类器
模块二
10、DataSet与DataLoader
11、让PyTorch读取自己的数据
12、数据预处理及从硬盘到模型
13、数据增强的二十二种模块
作业讲解:
构建DataSet读取自己的数据
实现数据增强
模块三
14、模型搭建要素及sequential
15、常用网络层介绍及使用
16、模型参数初始化方法--十种
17、卷积神经网络Lenet-5搭建及训练
作业讲解:
采用sequential和非sequenial构建Lenet-5进行图像分类
采用不同初始化方法对Lenet-5参数初始化
模块四
18、特殊的Module--Function
19、损失函数讲解--十七种
20、优化器讲解--十种
21、学习率调整策略--六种
作业讲解:
手算并对比PyTorch损失函数
构建一个优化器并打印其属性
实现学习率调整策略并打印学习率变化
模块五
22、TensorBoard介绍
23、Loss及Accuracy可视化
24、卷积核及特征图可视化
25、梯度及权值分布可视化
26、混淆矩阵及其可视化
27、类激活图可视化(Grad-CAM)
作业讲解:
采用Tensorborad对Lenet-5的loss、accuracy和混淆矩阵进行可视化
对AlexNet的卷积核及特征图可视化
采用Grad-CAM对Lenet-5进行类激活图可视化
模块六
28、过拟合正则化
29、L1和L2正则项
30、Dropout
31、Batch Normalization
32、module.eval()对dropout及BN的影响
作业讲解:
采用L1和L2对逻辑回归进行正则化，并采用TensorBoard对权值分布进行对比;
对Lenet-5采用dropout及BN，并理解module.eval()原理
模块七
33、迁移学习之--模型Finetune
34、模型保存与加载
35、Early Stop
36、GPU使用一-调用、选择、模型保存与加载
作业讲解:
采用10分类模型进行2分类Finetune;
GPU模型训练与加载
模块八
37、图像分类实战--ResNet18
38、图像分割实战--Unet
39、图像目标检测实战--YOLOV3
40、图像生成对抗网络实战--GAN
41、递归神经网络实战--RNN/LSTM
项目:采用自己的数据实现上述5种模型
