Toggle navigation sidebar
Toggle in-page Table of Contents
深入浅出PyTorch
目录
第零章:前置知识
人工智能简史
模型评价指标
常用包的学习
Jupyter notebook/Lab 简述
第一章:PyTorch的简介和安装
1.1 PyTorch简介
1.2 PyTorch的安装
1.3 PyTorch相关资源
第二章:PyTorch基础知识
2.1 张量
2.2 自动求导
2.3 并行计算简介
AI硬件加速设备
第三章:PyTorch的主要组成模块
3.1 思考:完成深度学习的必要部分
3.2 基本配置
3.3 数据读入
3.4 模型构建
3.5 模型初始化
3.6 损失函数
3.7 训练和评估
3.8 可视化
3.9 PyTorch优化器
第四章:PyTorch基础实战
4.1 ResNet
基础实战——FashionMNIST时装分类
第五章:PyTorch模型定义
5.1 PyTorch模型定义的方式
5.2 利用模型块快速搭建复杂网络
5.3 PyTorch修改模型
5.4 PyTorch模型保存与读取
第六章:PyTorch进阶训练技巧
6.1 自定义损失函数
6.2 动态调整学习率
6.3 模型微调-torchvision
6.3 模型微调 - timm
6.4 半精度训练
6.5 数据增强-imgaug
6.6 使用argparse进行调参
第七章:PyTorch可视化
7.1 可视化网络结构
7.2 CNN可视化
7.3 使用TensorBoard可视化训练过程
7.4 使用wandb可视化训练过程
第八章:PyTorch生态简介
8.1 本章简介
8.2 torchvision
8.3 PyTorchVideo简介
8.4 torchtext简介
8.5 torchaudio简介
第九章:PyTorch的模型部署
9.1 使用ONNX进行部署并推理
第十章:常见代码解读
10.1 图像分类简介(补充中)
目标检测简介
10.3 图像分割简介(补充中)
ResNet源码解读
文章结构
文章结构
Transformer 解读
ViT解读
Swin Transformer解读
repository
open issue
suggest edit
.md
.pdf
第二章:PyTorch基础知识
第二章:PyTorch基础知识
#
2.1 张量
2.1.1 简介
2.1.2 创建tensor
2.1.3 张量的操作
2.1.4 广播机制
2.2 自动求导
Autograd简介
2.2.1 梯度
2.3 并行计算简介
2.3.1 为什么要做并行计算
2.3.2 为什么需要CUDA
2.3.3 常见的并行的方法:
2.3.4 使用CUDA加速训练
参考资料:
AI硬件加速设备
2.4.1 TPU
2.4.2 NPU
参考资料: