【F070】深度学习框架PyTorch实战系列

内容介绍：
章节1:pyTorch框架基本处理操作
    课时1PyTorch实战课程简介
    课时2PyTorch框架发展趋势简介
    课时3框架安装方法（CPU与GPU版本）
    课时4PyTorch基本操作
    课时5自动求导机制
    课时6线性回归DEMO-数据与参数配置
    课时7线性回归DEMO-训练回归模型
    课时8补充：常见tensor格式
    课时9补充：Hub模块简介
    课时10本章数据代码下载
    课时11数据代码下载汇总

章节2:神经网络实战分类与回归任务
    课时12气温数据集与任务介绍
    课时13按建模顺序构建完成网络架构
    课时14简化代码训练网络模型
    课时15分类任务概述
    课时16构建分类网络模型
    课时17DataSet模块介绍与应用方法
    课时18本章数据代码下载

章节3:卷积神经网络原理与参数解读
    课时19卷积神经网络应用领域
    课时20卷积的作用
    课时21卷积特征值计算方法
    课时22得到特征图表示
    课时23步长与卷积核大小对结果的影响
    课时24边缘填充方法
    课时25特征图尺寸计算与参数共享
    课时26池化层的作用
    课时27整体网络架构
    课时28VGG网络架构
    课时29残差网络Resnet
    课时30本章数据代码下载
    课时31感受野的作用

章节4:图像识别核心模块实战解读
    课时32卷积网络参数定义
    课时33网络流程解读
    课时34Vision模块功能解读
    课时35分类任务数据集定义与配置
    课时36图像增强的作用   
    课时37数据预处理与数据增强模块
    课时38Batch数据制作
    课时39本章数据代码下载

章节5:迁移学习的作用与应用实例
    课时40迁移学习的目标
    课时41迁移学习策略
    课时42加载训练好的网络模型
    课时43优化器模块配置
    课时44实现训练模块
    课时45训练结果与模型保存
    课时46加载模型对测试数据进行预测
    课时47额外补充-Resnet论文解读
    课时48额外补充-Resnet网络架构解读

章节6:递归神经网络与词向量原理解读
    课时49RNN网络架构解读
    课时50词向量模型通俗解释
    课时51模型整体框架
    课时52本章数据代码下载
    课时53训练数据构建
    课时54CBOW与Skip-gram模型
    课时55负采样方案

章节7:新闻数据集文本分类实战
    课时56任务目标与数据简介
    课时57RNN模型所需输入格式解析
    课时58项目配置参数设置
    课时59新闻数据读取与预处理方法
    课时60LSTM网络模块定义与参数解析
    课时61本章数据代码下载
    课时62训练LSTM文本分类模型
    课时63Tensorboardx可视化展示模块搭建
    课时64CNN应用于文本任务原理解析
    课时65网络模型架构与效果展示

章节8:对抗生成网络架构原理与实战解析
    课时66本章数据代码下载
    课时67对抗生成网络通俗解释
    课时68GAN网络组成
    课时69损失函数解释说明
    课时70数据读取模块
    课时71生成与判别网络定义

章节9:基于CycleGan开源项目实战图像合成
    课时72CycleGan网络所需数据
    课时73CycleGan整体网络架构
    课时74PatchGan判别网络原理
    课时75Cycle开源项目简介
    课时76数据读取与预处理操作
    课时77生成网络模块构造
    课时78判别网络模块构造
    课时79损失函数：identity loss计算方法
    课时80生成与判别损失函数指定
    课时81额外补充：VISDOM可视化配置
    课时82本章数据代码下载

章节10:OCR文字识别原理
    课时83OCR文字识别要完成的任务
    课时84CTPN文字检测网络概述
    课时85序列网络的作用
    课时86输出结果含义解析
    课时87CTPN细节概述
    课时88CRNN识别网络架构
    课时89CTC模块的作用

章节11:OCR文字识别项目实战
    课时90OCR文字检测识别项目效果展示
    课时91本章数据代码下载
    课时92训练数据准备与环境配置
    课时93检测模块候选框生成
    课时94候选框标签制作
    课时95整体网络所需模块
    课时96网络架构各模块完成的任务解读
    课时97CRNN识别模块所需数据与标签
    课时98识别模块网络架构解读

章节12:基于3D卷积的视频分析与动作识别
    课时99本章数据代码下载
    课时1003D卷积原理解读
    课时101UCF101动作识别数据集简介
    课时102测试效果与项目配置
    课时103视频数据预处理方法
    课时104数据Batch制作方法
    课时1053D卷积网络所涉及模块
    课时106训练网络模型

章节13:自然语言处理通用框架BERT原理解读
    课时107BERT任务目标概述
    课时108本章数据代码下载
    课时109传统解决方案遇到的问题
    课时110注意力机制的作用
    课时111self-attention计算方法
    课时112特征分配与softmax机制
    课时113Multi-head的作用
    课时114位置编码与多层堆叠
    课时115transformer整体架构梳理
    课时116BERT模型训练方法
    课时117训练实例

章节14:谷歌开源项目BERT源码解读（官方TF版）
    课时118BERT开源项目简介
    课时119项目参数配置
    课时120本章数据代码下载
    课时121数据读取模块
    课时122数据预处理模块
    课时123tfrecord制作
    课时124Embedding层的作用
    课时125加入额外编码特征
    课时126加入位置编码特征
    课时127mask机制
    课时128构建QKV矩阵
    课时129完成Transformer模块构建
    课时130训练BERT模型

章节15:基于PyTorch实战BERT模型（民间PyTorch版）
    课时131本章数据代码下载
    课时132项目配置与环境概述
    课时133数据读取与预处理
    课时134网络结构定义
    课时135训练网络模型

章节16yTorch框架实战模板解读
    课时136本章数据代码下载
    课时137项目模板各模块概述
    课时138各模块配置参数解析
    课时139数据读取与预处理模块功能解读
    课时140模型架构模块
    课时141训练模块功能
    课时142训练结果可视化展示模块
    课时143模块应用与BenckMark解读

百度网盘下载地址：