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
Theme by the Executable Book Project
  • repository
  • open issue
  • suggest edit
  • .md

第零章:前置知识

第零章:前置知识#

  • 人工智能简史
    • 1.1 人工智能的三次浪潮
    • 1.2 DL,ML,AI三者之间的关系
  • 模型评价指标
    • 混淆矩阵
    • Overall Accuracy
    • Average accuracy
    • Kappa系数
    • Recall
    • Precision
    • F1
    • PR曲线
    • 置信度
    • IOU
    • AP
    • mAP
  • 常用包的学习
    • Numpy
    • pandas
    • matplotlib
  • Jupyter notebook/Lab 简述
    • 1 Jupyter Notebook/Lab安装
    • 2 Jupyter Notebook/Lab配置
    • 3 Jupyter Notebook\Lab基本操作
    • 4 进阶操作
    • 5 参考资料

上一页

深入浅出PyTorch

下一页

人工智能简史

By ZhikangNiu
© Copyright 2022, ZhikangNiu.