[440] PyTorch入门到进阶，实战计算机视觉与自然语言处理 - 总结多年学术+从业经验，提炼精华，为希望进入深度学习领域的同学而设

网盘链接：

1. 课程介绍-选择Pytorch的理由

• 1-1 课程导学

2. 初识PyTorch框架与环境搭建

• 2-1 初识Pytorch基本框架
• 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）
• 2-4 环境配置（2）

3. PyTorch入门基础串讲

• 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
• 3-2 Tensor的基本定义
• 3-3 Tensor与机器学习的关系
• 3-4 Tensor创建编程实例
• 3-5 Tensor的属性
• 3-6 Tensor的属性-稀疏的张量的编程实践
• 3-7 Tensor的算术运算
• 3-8 Tensor的算术运算编程实例
• 3-9 in-place的概念和广播机制
• 3-10 取整-余
• 3-11 比较运算-排序-topk-kthvalue-数据合法性校验
• 3-12 三角函数
• 3-13 其他数学函数
• 3-14 Pytorch与统计学方法
• 3-15 Pytorch与分布函数
• 3-16 Pytorch与随机抽样
• 3-17 Pytorch与线性代数运算
• 3-18 Pytorch与矩阵分解-PCA
• 3-19 Pytorch与矩阵分解-SVD分解-LDA
• 3-20 Pytorch与张量裁剪
• 3-21 Pytorch与张量的索引与数据筛选
• 3-22 Pytorch与张量组合与拼接
• 3-23 Pytorch与张量切片
• 3-24 Pytorch与张量变形
• 3-25 Pytorch与张量填充&傅里叶变换
• 3-26 Pytorch简单编程技巧
• 3-27 Pytorch与autograd-导数-方向导数-偏导数-梯度的概念
• 3-28 Pytorch与autograd-梯度与机器学习最优解
• 3-29 Pytorch与autograd-Variable$tensor
• 3-30 Pytorch与autograd-如何计算梯度
• 3-31 Pytorch与autograd中的几个重要概念-variable-grad-grad_fn
• 3-32 Pytorch与autograd中的几个重要概念-autograd例子
• 3-33 Pytorch与autograd中的几个重要概念-function
• 3-34 Pytorch与nn库
• 3-35 Pytorch与visdom
• 3-36 Pytorch与tensorboardX
• 3-37 Pytorch与torchvision

4. PyTorch搭建简单神经网络

• 4-1 机器学习和神经网络的基本概念（1）
• 4-2 机器学习和神经网络的基本概念（2）
• 4-3 利用神经网络解决分类和回归问题（1）
• 4-4 利用神经网络解决分类和回归问题（2）
• 4-5 利用神经网络解决分类和回归问题（3）
• 4-6 利用神经网络解决分类和回归问题（4）
• 4-7 利用神经网络解决分类和回归问题（5）

5. 计算机视觉与卷积神经网络基础串讲

• 5-1 计算机视觉基本概念
• 5-2 图像处理常见概念
• 5-3 特征工程
• 5-4 卷积神经网（上）
• 5-5 卷积神经网（下）
• 5-6 pooling层
• 5-7 激活层-BN层-FC层-损失层
• 5-8 经典卷积神经网络结构
• 5-9 轻量型网络结构
• 5-10 多分支网络结构
• 5-11 attention的网络结构
• 5-12 学习率
• 5-13 优化器
• 5-14 卷积神经网添加正则化

6. PyTorch实战计算机视觉任务-Cifar10图像分类

• 6-1 图像分类网络模型框架解读（上）
• 6-2 图像分类网络模型框架解读（下）
• 6-3 cifar10数据介绍-读取-处理（上）
• 6-4 cifar10数据介绍-读取-处理（下）
• 6-5 PyTorch自定义数据加载-加载Cifar10数据
• 6-6 PyTorch搭建 VGGNet 实现Cifar10图像分类
• 6-7 PyTorch搭建cifar10训练脚本-tensorboard记录LOG（上）
• 6-8 PyTorch搭建cifar10训练脚本-tensorboard记录LOG（下）
• 6-9 PyTorch搭建cifar10训练脚本搭建-ResNet结构（上）
• 6-10 PyTorch搭建cifar10训练脚本搭建-ResNet结构（下）
• 6-11 PyTorch搭建cifar10训练脚本搭建-Mobilenetv1结构
• 6-12 PyTorch搭建cifar10训练脚本搭建-Inception结构（上）
• 6-13 PyTorch搭建cifar10训练脚本搭建-Inception结构（下）
• 6-14 PyTorch搭建cifar10训练脚本搭建-调用Pytorch标准网络ResNet18等
• 6-15 PyTorch搭建cifar10推理测试脚本搭建
• 6-16 分类问题优化思路
• 6-17 分类问题最新研究进展和方向

7. Pytorch实战计算机视觉任务-Pascal VOC目标检测问题

• 7-1 目标检测问题介绍（上）
• 7-2 目标检测问题介绍（下）
• 7-3 Pascal VOC-COCO数据集介绍
• 7-4 MMdetection框架介绍-安装说明
• 7-5 MMdetection框架使用说明
• 7-6 【讨论题】比较mmdetection与detectron
• 7-7 MMdetection训练Passcal VOC目标检测任务（上）
• 7-8 MMdetection训练Passcal VOC目标检测任务（中）
• 7-9 MMdetection训练Passcal VOC目标检测任务（下）
• 7-10 MMdetection Test脚本
• 7-11 MMdetection LOG分析

8. PyTorch实战计算机视觉任务-COCO目标分割问题

• 8-1 图像分割基本概念
• 8-2 图像分割方法介绍
• 8-3 图像分割评价指标及目前面临的挑战
• 8-4 COCO数据集介绍
• 8-5 detectron框架介绍和使用简单说明
• 8-6 coco数据集标注文件解析
• 8-7 detectron源码解读和模型训练-demo测试
• 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. PyTorch搭建GAN网络实战图像风格迁移

• 9-1 GAN的基础概念和典型模型介绍（上）
• 9-2 GAN的基础概念和典型模型介绍（下）
• 9-3 图像风格转换数据下载与自定义dataset类
• 9-4 cycleGAN模型搭建-model
• 9-5 cycleGAN模型搭建-train（上）
• 9-6 cycleGAN模型搭建-train（下）
• 9-7 cycleGAN模型搭建-test

10. 循环神经网与NLP基础串讲

• 10-1 RNN网络基础
• 10-2 RNN常见网络结构-simple RNN网络
• 10-3 Bi-RNN网络
• 10-4 LSTM网络基础
• 10-5 Attention结构
• 10-6 Transformer结构
• 10-7 BERT结构
• 10-8 NLP基础概念介绍
• 10-9 【讨论题】深入了解transformer在CV任务中的应用

11. PyTorch实战中文文本情感分类问题

• 11-1 文本情感分析-情感分类概念介绍
• 11-2 文本情感分类关键流程介绍
• 11-3 文本情感分类之文本预处理
• 11-4 文本情感分类之特征提取与文本表示
• 11-5 文本情感分类之深度学习模型
• 11-6 文本情感分类-数据准备
• 11-7 文本情感分类-dataset类定义
• 11-8 文本情感分类-model类定义
• 11-9 文本情感分类-train脚本定义
• 11-10 文本情感分类-test脚本定义

12. PyTorch实战机器翻译问题

• 12-1 机器翻译相关方法-应用场景-评价方法
• 12-2 Seq2Seq-Attention编程实例数据准备-模型结构-相关函数
• 12-3 Seq2Seq-Attention编程实例-定义数据处理模块
• 12-4 Seq2Seq-Attention编程实例-定义模型结构模块（上）
• 12-5 Seq2Seq-Attention编程实例-定义模型结构模块（下）
• 12-6 Seq2Seq-Attention编程实例-定义train模块（上）
• 12-7 Seq2Seq-Attention编程实例-定义train模块（下）
• 12-8 Seq2Seq-Attention编程实例-定义train模块-loss function
• 12-9 Seq2Seq-Attention编程实例-定义eval模块
• 12-10 【讨论题】深入了解Attention在CV任务中的应用前景？

13. PyTorch工程应用介绍

• 13-1 PyTorch模型开发与部署基础平台介绍
• 13-2 PyTorch工程化基础–Torchscript
• 13-3 PyTorch服务端发布平台–Torchserver
• 13-4 PyTorch终端推理基础–ONNX

14. 【选修】Linux操作基础串讲

• 14-1 linux操作基础串讲

15. 课程总结与回顾

• 15-1 课程总结