PyTorch机器学习与深度学习技术方法与案例实践应用

PyTorch

PyTorch是一个开源的Python机器学习库,基于Torch,用于自然语言处理等应用程序。

2017年1月,由Facebook人工智能研究院(FAIR)基于Torch推出了PyTorch。它是一个基于Python的可续计算包,提供两个高级功能:1、具有强大的GPU加速的张量计算(如NumPy)。2、包含自动求导系统的深度神经网络。

2022年9月,扎克伯格亲自宣布,PyTorch 基金会已新鲜成立,并归入 Linux 基金会旗下。

近年来,随着AlphaGo、无人驾驶汽车、医学影像智慧辅助诊疗、ImageNet竞赛等热点事件的发生,人工智能迎来了新一轮的发展浪潮。尤其是深度学习技术,在许多行业都取得了颠覆性的成果。另外,近年来,Pytorch深度学习框架受到越来越多科研人员的关注和喜爱。

阅读全文点击《PyTorch机器学习与深度学习技术方法与案例实践应用》

第一章 Python基础知识串讲

1、Python环境搭建(Python软件下载、安装与版本选择;PyCharm下载、安装;Python之Hello World;第三方模块的安装与使用;Python 2.x与Python 3.x对比)

2、Python基本语法(Python变量命名规则;Python基本数学运算;Python常用变量类型的定义与操作;Python程序注释)

3、Python流程控制(条件判断;for循环;while循环;break和continue关键字;嵌套循环与可变循环)

4、Python函数与对象(函数的定义与调用;函数的参数传递与返回值;变量作用域与全局变量;对象的创建与使用)

5、Matplotlib的安装与图形绘制(设置散点、线条、坐标轴、图例、注解等属性;绘制多图;图的嵌套)

6、科学计算模块库(Numpy的安装;ndarray类型属性与数组的创建;数组索引与切片;Numpy常用函数简介与使用;Pandas常用函数简介与使用)

第二章 PyTorch简介与环境搭建

1、深度学习框架概述(PyTorch、Tensorflow、Keras等)

2、PyTorch简介(PyTorch的版本、动态计算图与静态计算图、PyTorch的优点)

3、PyTorch的安装与环境配置(Pip vs. Conda包管理方式、验证是否安装成功、CPU版与GPU版的安装方法)

第三章 PyTorch编程入门与进阶

1、张量(Tensor)的定义,以及与标量、向量、矩阵的区别与联系)

2、张量(Tensor)的常用属性与方法(dtype、device、layout、requires_grad、cuda等)

3、张量(Tensor)的创建(直接创建、从numpy创建、依据数值创建、依据概率分布创建)

4、张量(Tensor)的运算(加法、减法、矩阵乘法、哈达玛积(element wise)、除法、幂、开方、指数与对数、近似、裁剪)

5、张量(Tensor)的索引与切片

6、PyTorch的自动求导(Autograd)机制与计算图的理解

7、PyTorch常用工具包及API简介(torchvision(transforms、datasets、model)、torch.nn、torch.optim、torch.utils(Dataset、DataLoader))

第四章 PyTorch前向型神经网络

1、BP神经网络的基本原理(人工神经网络的分类有哪些?有导师学习和无导师学习的区别是什么?BP神经网络的拓扑结构和训练过程是怎样的?什么是梯度下降法?BP神经网络建模的本质是什么?)

2、BP神经网络的Python代码实现(怎样划分训练集和测试集?为什么需要归一化?归一化是必须的吗?什么是梯度爆炸与梯度消失?)

3、PyTorch代码实现神经网络的基本流程(Data、Model、Loss、Gradient)及训练过程(Forward、Backward、Update)

4、案例演示:Linear模型、Logistic模型、Softmax函数输出、BP神经网络

5、实操练习

6、值得研究的若干问题(隐含层神经元个数、学习率、初始权值和阈值等如何设置?什么是交叉验证?过拟合(Overfitting)与欠拟合(Underfitting)、泛化性能评价指标的设计、样本不平衡问题、模型评价与模型选择(奥卡姆剃刀定律)等)1、BP神经网络的基本原理(人工神经网络的分类有哪些?有导师学习和无导师学习的区别是什么?BP神经网络的拓扑结构和训练过程是怎样的?什么是梯度下降法?BP神经网络建模的本质是什么?)

第五章 PyTorch卷积神经网络

1、深度学习简介(深度学习大事记:Model + Big Data + GPU + AlphaGo)

2、深度学习与传统机器学习的区别与联系(神经网络的隐含层数越多越好吗?深度学习与传统机器学习的本质区别是什么?)

2、卷积神经网络的基本原理(什么是卷积核、池化核?CNN的典型拓扑结构是怎样的?CNN的权值共享机制是什么?CNN提取的特征是怎样的?)

3、卷积神经网络的进化史:LeNet、AlexNet、Vgg-16/19、GoogLeNet、ResNet等经典深度神经网络的区别与联系

4、利用PyTorch构建卷积神经网络(Convolution层、Batch Normalization层、Pooling层、Dropout层、Flatten层等)

5、卷积神经网络调参技巧(卷积核尺寸、卷积核个数、移动步长、补零操作、池化核尺寸等参数与特征图的维度,以及模型参数量之间的关系是怎样的?)

6、案例讲解:

(1)CNN预训练模型实现物体识别

(2)利用卷积神经网络抽取抽象特征

(3)自定义卷积神经网络拓扑结构

7、实操练习

第六章 PyTorch迁移学习

1、迁移学习算法的基本原理(为什么需要迁移学习?为什么可以迁移学习?迁移学习的基本思想是什么?)

2、基于深度神经网络模型的迁移学习算法

3、案例讲解:猫狗大战(Dogs vs. Cats)

4、实操练习

第七章 PyTorch生成式对抗网络

1、生成式对抗网络GAN(什么是对抗生成网络?为什么需要对抗生成网络?对抗生成网络可以帮我们做什么?GAN给我们带来的启示)

2、GAN的基本原理及GAN进化史

3、案例讲解:GAN的PyTorch代码实现(手写数字生成)

4、实操练习

第八章 PyTorch RNN与LSTM

1、循环神经网络RNN的基本工作原理

2、长短时记忆网络LSTM的基本工作原理

3、案例讲解:时间序列预测(北京市污染物预测)

4、实操练习

第九章 时间卷积网络(Temporal Convolutional Network, TCN)

1、时间卷积网络(TCN)的基本原理

2、TCN与1D CNN、LSTM的区别与联系

3、案例讲解:

1)时间序列预测:新冠肺炎疫情预测

2)序列-序列分类:人体动作识别

4、实操练习

第十章 基于深度学习的视频分类案例实战

1、基于深度学习的视频分类基本原理

2、读取视频流文件并抽取图像帧

3、利用预训练CNN模型提取指定层的特征图

4、自定义构建LSTM神经网络模型

5、案例讲解:HMDB51数据集视频分类

6、实操练习

第十一章 PyTorch目标检测

1、什么是目标检测?目标检测与目标识别的区别与联系

2、YOLO模型的工作原理,YOLO模型与传统目标检测算法的区别

3、案例讲解:

(1)利用预训练好的YOLO模型实现目标检测(图像检测、视频检测、摄像头实时检测)

(2)数据标注演示(LabelImage使用方法介绍)

(3)训练自己的目标检测数据集

4、实操练习

第十二章 自编码器

1、什么是自编码器(Auto-Encoder, AE)?

2、经典的几种自编码器模型原理介绍(AE、Denoising AE, Masked AE)

3、案例讲解:

(1)基于自编码器的噪声去除

(2)基于自编码器的手写数字特征提取与重构

(3)基于掩码自编码器的缺失图像重构

4、实操练习

第十三章 复习与答疑讨论

1、教程相关资料拷贝与分享

2、答疑与讨论(大家提前把问题整理好)

你可能感兴趣的:(深度学习,机器学习,python,机器学习,深度学习,python,pytorch,人工智能)