深入浅出PyTorch#

PyTorch是利用深度学习进行数据科学研究的重要工具,在灵活性、可读性和性能上都具备相当的优势,近年来已成为学术界实现深度学习算法最常用的框架。

考虑到PyTorch的学习兼具理论储备和动手训练,两手都要抓两手都要硬的特点,我们开发了《深入浅出PyTorch》课程,期望以组队学习的形式,帮助大家从入门到熟练掌握PyTorch工具,进而实现自己的深度学习算法。

我们的愿景是:通过组队学习,大家能够掌握由浅入深地PyTorch的基本知识和内容,经过自己的动手实践加深操作的熟练度。同时通过项目实战,充分锻炼编程能力,掌握PyTorch进行深度学习的基本流程,提升解决实际问题的能力。

学习的先修要求是,会使用Python编程,了解包括神经网络在内的机器学习算法,勤于动手实践。

《深入浅出PyTorch》是一个系列,一共有三个部分。已经上线的是本系列的第一、二部分,后续会不断更新《深入浅出PyTorch》(下),给出更贴合实际应用的实战案例。

人员安排#

成员

个人简介

个人主页

牛志康

DataWhale成员,西安电子科技大学本科生

个人主页

李嘉骐

DataWhale成员,清华大学研究生

个人主页

刘洋

Datawhale成员,中国科学院数学与系统科学研究所研究生

个人主页

陈安东

Datawhale成员,中央民族大学研究生

个人主页

  • 教程贡献情况(已上线课程内容):

    • 牛志康:第一章;第三章;第六章;第七章;第八章;第九章;在线内容管理

    • 李嘉骐:第三章;第四章;第五章;第六章;第七章;第八章;内容整合

    • 刘洋  :第二章;第三章

    • 陈安东:第二章;第三章;第七章

更新计划#

内容

更新时间

内容

模型初始化

torch.nn.init的使用

visdom可视化

2022.4.5

Visdom的使用

apex

2022.5.4

apex的简介和使用

超参数的保存

介绍argparse与yaml

onnx

&#x2705

讲述ONNX格式和实战例子

模型部署

Flask部署PyTorch模型

TorchScript

TorchScript

数据增强

imgaug的使用

并行训练

并行训练

模型预训练 - torchhub

2022.4.16

torchhub的简介和使用方法

模型预训练 - timm

timm预训练模型的使用方法

模型预训练 - openmmlab

2022.4.27

openmmlab系列的使用

目标检测 - yolo系列

Yolo系列介绍与trick实现

目标检测 - SSD

SSD的简介和实现

目标检测 - RCNN系列

Fast-RCNN & Mask-RCNN

目标检测 - DETR

DETR的实现

图像分类 - GoogLeNet

2022.5.11

GoogLeNet的介绍与实现

图像分类 - Vision transformer

2022.5.18

Vit介绍与实现

图像分类 - MobileNet系列

2022.4月

MobileNet系列介绍与实现

图像分类 - GhostNet

2022.4月

GhostNet代码讲解

生成式对抗网络 - 生成手写数字实战

2022.5.25

生成数字并可视化

生成式对抗网络 - DCGAN

风格迁移 - StyleGAN

生成网络 - VAE

图像分割 Deeplab系列

Deeplab系列代码讲解

自然语言处理 LSTM

LSTM情感分析实战

自然语言处理 RNN

RNN名字分类

自然语言处理 Transformer

自然语言处理 BERT

视频

待定

音频

待定

自定义CUDA扩展和算子

课程编排与使用方法#

部分章节直播讲解请观看B站回放(持续更新):bilibili链接

  • 课程编排: 深入浅出PyTorch分为三个阶段:PyTorch深度学习基础知识、PyTorch进阶操作、PyTorch案例分析。

  • 使用方法:

    我们的课程内容都以markdown格式或Jupyter notebook的形式保存在本仓库内。除了多看加深课程内容的理解外,最重要的还是动手练习、练习、练习

  • 组队学习安排:

    第一部分:第一章到第四章,学习周期:10天;

    第二部分:第五章到第八章,学习周期:11天

鸣谢与反馈#

  • 非常感谢DataWhale成员 叶前坤 @PureBuckwheat 和 胡锐锋 @Relph1119 对文档的细致校对!

  • 如果有任何想法可以联系我们DataWhale

二维码