天天干天天操天天爱-天天干天天操天天操-天天干天天操天天插-天天干天天操天天干-天天干天天操天天摸

課程大綱：

PyTorch 基礎(chǔ)入門培訓(xùn)

PyTorch 是一個(gè)基于 Torch 的 Python 開源機(jī)器學(xué)習(xí)庫，它主要由 Facebook 的人工智能小組開發(fā)。

該框架不僅能夠?qū)崿F(xiàn)強(qiáng)大的 GPU 加速，還支持動(dòng)態(tài)的神經(jīng)網(wǎng)絡(luò)。

因此，很多互聯(lián)網(wǎng)的大廠在進(jìn)行深度學(xué)習(xí)時(shí)，都會(huì)使用該框架，比如 Facebook、Twitter 等。

1 張量的定義

2 激活函數(shù)

3 神經(jīng)網(wǎng)絡(luò)模型的建立與訓(xùn)練

4 CIFAR 的識(shí)別

5 梯度的求解

6 數(shù)據(jù)預(yù)處理

7 手寫字符的識(shí)別

8 遷移學(xué)習(xí)

1
張量的定義

1.張量的定義

2.張量的運(yùn)算

3.張量的切片

2
梯度的求解

1.張量的屬性

2.計(jì)算圖

3.梯度的計(jì)算

3
反向傳播算法

1.正向傳播算法

2.梯度下降算法

3.反向傳播算法

4
梯度下降算法

1.線性回歸

2.梯度下降算法

3.損失函數(shù)

實(shí)驗(yàn) 5
損失函數(shù)與優(yōu)化器

1.損失函數(shù)的定義

2.優(yōu)化器的定義

3.模型的訓(xùn)練步驟

1
線性回歸的求解

1.損失的定義

2.優(yōu)化器的定義

3.模型的訓(xùn)練

6
乳腺癌的預(yù)測

1.數(shù)據(jù)集的標(biāo)準(zhǔn)化

2.數(shù)據(jù)集的劃分

3.Sigmoid函數(shù)

4.乳腺癌的預(yù)測

7
數(shù)據(jù)加載器

1.數(shù)據(jù)的分批

2.手寫字符數(shù)據(jù)的分批

3.葡萄酒數(shù)據(jù)的分批

8
數(shù)據(jù)的預(yù)處理

1.預(yù)處理的批操作

2.葡萄酒數(shù)據(jù)的預(yù)處理

3.圖像數(shù)據(jù)的預(yù)處理

實(shí)驗(yàn) 9
Softmax 函數(shù)與交叉熵函數(shù)

1.二分類和多分類

2.交叉熵?fù)p失

3.PyTorch中的Softmax和交叉熵

10
激活函數(shù)及可視化

1.Sigmoid函數(shù)

2.ReLU函數(shù) 3.Tanh函數(shù)

11
基于全連接神經(jīng)網(wǎng)絡(luò)的數(shù)字識(shí)別

1.數(shù)據(jù)加載器的定義

2.優(yōu)化器的定義

3.損失的定義

4.全連接網(wǎng)絡(luò)的建立

5.模型的訓(xùn)練與測試

12
基于卷積神經(jīng)網(wǎng)絡(luò)的 CIFAR10 識(shí)別

1.CIFAR10

2.數(shù)據(jù)的預(yù)處理

3.卷積神經(jīng)網(wǎng)絡(luò)的相關(guān)概念

4.模型的搭建

5.模型的訓(xùn)練

6.模型的測試與應(yīng)用

13
基于遷移學(xué)習(xí)的蟻蜂分類模型

1.數(shù)據(jù)的預(yù)處理

2.遷移學(xué)習(xí)

3.預(yù)訓(xùn)練模型

4.模型的訓(xùn)練與測試

14
模型的保存與加載

1.完整模型的保存

2.模型參數(shù)的保存

3.模型的加載