适用人群

希望学习人工智能的
希望学习深度学习的
希望学习Pytorch的

课程概述

更新提示：2024年4月7日 Transformer与自注意力一章新增 2 节， 主要讲解Transformer解码器整体结构和自定义解码器的代码实现等，本章更新已完结。
更新提示：2024年4月1日 Transformer与自注意力一章新增 5 节， 主要讲解Transformer解码器中带掩码的自注意力层和交互自注意力层等。
更新提示：2024年3月25日 transformer与自注意力一章新增 4 节， 主要涉及BERT模型简介及微调应用、Transformer解码器等。
更新提示：2024年3月18日 transformer与自注意力一章新增 9 节， 主要涉及位置编码、自定义编写Transformer编码器等。当前Transformer一章已更新19节，总课时达212节。
更新提示：2024年3月11日 新增transformer与自注意力一章10节， 替换原文本与注意力一章
课程配套书籍《PyTorch深度学习简明实战》已由清华大学出版社出版。

目录

章节1:Pytorch概述试看
课时1视频Pytorch框架简介08:40可试看
课时2视频环境搭建和PyTorch2.0版本的简介与安装（最新 2.0版本）20:13可试看
课时3文本最新 PyTorch 2.0简介与安装课件可试看
章节2:深度学习基础与线性回归实例试看
课时4视频机器学习基础-线性回归模型原理10:00可试看
课时5视频入门实例——PyTorch模型的创建16:13可试看
课时6视频入门实例——模型的训练与预测15:13可试看
章节3:PyTorch张量基础试看
课时7视频张量初始化与张量类型14:23可试看
课时8视频张量随机值、移动张量到设备10:33可试看
课时9视频数据类型转换、张量运算18:22可试看
课时10视频张量变形08:43可试看
课时11视频张量的微分运算18:20可试看
课时12视频入门实例模型的分解写法17:50可试看
章节4:逻辑回归与二分类问题试看
课时13视频二分类示例——逻辑回归与交叉熵13:09可试看
课时14视频逻辑回归模型的创建与训练21:05可试看
章节5:多层感知器试看
课时15视频多层感知器简介08:45可试看
课时16视频激活函数09:52可试看
课时17视频多层感知器实例-数据预处理18:59可试看
课时18视频多层感知器模型创建11:09可试看
课时19视频多层感知器模型改写与解释11:24可试看
课时20视频多层感知器模型训练09:19可试看
课时21视频使用Dataset和Dataloader加载模型数据11:20可试看
课时22视频划分验证数据和测试数据14:56可试看
课时23视频添加正确率和验证数据17:47可试看
章节6:多分类问题与通用训练函数试看
课时24视频多分类问题与Softmax04:23可试看
课时25视频torchvision加载内置数据集16:52可试看
课时26视频创建dataloader16:56可试看
课时27视频MNIST多分类模型创建15:44可试看
课时28视频模型输出与损失函数15:10可试看
课时29视频模型初始化和优化器09:17可试看
课时30视频通用训练函数18:26可试看
课时31视频通用测试函数和训练循环18:10可试看
课时32视频模型的训练与简单优化思路06:13可试看
课时33视频通用的 fit 训练函数09:58可试看
章节7:基础部分综述试看
课时34视频梯度下降算法与学习速率13:45可试看
课时35视频反向传播算法与优化器13:03可试看
课时36视频基础部分知识点总结17:57可试看
课时37视频基础部分作业——Fashion-MNIST数据分类04:01可试看
章节8:计算机视觉基础
课时38视频什么是卷积12:27
课时39视频卷积模型的整体架构11:23
课时40视频卷积模型解决手写数字分类23:46
课时41视频使用GPU加速训练13:49
课时42视频卷积模型基础实例——四种天气数据集25:17
课时43视频读取、预处理图片并创建Dataset10:05
课时44视频创建Dataloader和可视化图片17:26
课时45视频四种天气分类模型的创建15:24
课时46视频卷积模型的训练06:50
课时47视频Dropout抑制过拟合05:59
课时48视频Dropout代码实现10:50
课时49视频批标准化（Batch Normalization）简介13:06
课时50视频Batch Normalization层的代码实现11:00
课时51视频超参数选择原则06:45
章节9:预训练模型（迁移学习）
课时52视频预训练模型与VGG架构14:25
课时53视频预训练模型的使用介绍09:40
课时54视频预训练模型VGG的代码实现08:37
课时55视频图像数据增强15:40
课时56视频学习速率衰减12:44
课时57视频RESNET预训练模型11:59
课时58视频微调与迁移学习12:43
课时59视频模型权重保存15:55
章节10:Dataset数据输入
课时60视频自定义输入Dataset类20:06
课时61视频获取图片路径和标签12:56
课时62视频创建四种天气数据集的Dataset类14:01
课时63视频创建输入并可视化12:16
课时64视频划分测试数据和验证数据11:55
课时65视频灵活的使用Dataset类构造输入08:36
章节11:现代网络架构
课时66视频Resnet和残差结构介绍11:38
课时67视频Resnet结构代码实现（一）15:07
课时68视频Resnet结构代码实现（二）11:11
课时69视频DenseNet模型简介08:43
课时70视频DenseNet提取图片特征——获取图片和标签12:51
课时71视频类别编码、划分测试数据和训练数据11:40
课时72视频创建输入Dataset10:06
课时73视频创建Dataloader并可视化09:54
课时74视频使用DenseNet卷积基提取特征11:26
课时75视频创建特征Dataset和分类模型13:23
课时76视频模型训练和预测简介08:33
课时77视频Inception网络结构简介12:00
课时78视频Inception结构代码实现（一）17:30
课时79视频Inception结构代码实现（二）11:51
课时80视频Inception结构应用和优化——Googlenet和inceptionv3简介06:52
章节12:简单图像定位
课时81视频常见图像处理任务和图像定位原理09:30
课时82视频图像定位实例——数据观察与理解16:55
课时83视频目标值的解析和可视化13:53
课时84视频数据集路径读取与筛选10:25
课时85视频解析 xml 目标值07:42
课时86视频创建Dataset15:37
课时87视频创建dataloader和图像可视化09:17
课时88视频创建图像定位模型10:32
课时89视频图像定位模型的训练和预测08:39
章节13:Unet 图像语义分割
课时90视频图像语义分割简介08:48
课时91视频UNET语义分割结构介绍09:43
课时92视频语义分割的输入输出、反卷积和IoU指标10:09
课时93视频Unet语义分割模型数据观察10:13
课时94视频创建dataset输入17:38
课时95视频创建和测试dataset并绘图10:42
课时96视频下采样子模型12:03
课时97视频上采样子模型12:48
课时98视频Unet模型初始化部分14:10
课时99视频Unet模型的前向传播部分11:53
课时100视频模型训练08:58
课时101视频Unet 模型测试13:08
课时102视频Unet 模型预测08:51
章节14:LinkNet图像语义分割模型试看
课时103视频LinkNet 图像语义分割模型简介13:23
课时104文本LinkNet 模型课件，大家可尝试自己去实现这个模型可试看
课时105视频代码组织结构10:19
课时106视频卷积模块11:08
课时107视频反卷积模块12:30
课时108视频编码器模块13:08
课时109视频解码器模块09:27
课时110视频输入和编码部分的初始化11:43
课时111视频解码器和输出部分的初始化09:20
课时112视频模型的前向传播08:31
课时113视频模型训练和IOU指标07:13
章节15:图像语义分割中对一般标注图片的处理
课时114视频.数据观察、读取和划分训练和测试数据19:20
课时115视频创建Dataset及标注图片的读取和处理21:01
课时116视频创建Dataloader及输入可视化07:04
章节16:简单文本分类与词嵌入表示
课时117视频文本表示与词嵌入15:03
课时118视频文本向量化流程与分词12:29
课时119视频文本的向量化实现15:27
课时120视频简单文本分类模型与embedingbag12:47
课时121视频Torchtext加载内置数据集及分词工具14:30
课时122视频Torchtext创建词表工具11:40
课时123视频Torchtext处理文本总结08:08
课时124视频Dataloader批次处理函数25:50
课时125视频文本分类模型的初始化部分09:31
课时126视频文本分类模型训练与调试14:05
章节17:RNN循环神经网络基础
课时127视频RNN循环神经网络简介13:02
课时128视频RNNCell实例——数据读取11:41
课时129视频RNNCell实例——批次处理函数17:35
课时130视频RNNCell在序列上的展开16:34
课时131视频RNNCell初始hidden state06:26
课时132视频基于RNNCell的文本分类模型创建11:29
课时133视频模型的训练和调试14:17
课时134视频LSTM网络简介08:59
课时135视频使用LSTMcell实现文本分类08:25
课时136视频GRU网络简介04:33
课时137视频LSTM高阶API15:16
章节18:文本分类实例
课时138视频Twitter评论情绪分类——数据读取与观察16:05
课时139视频Twitter评论情绪分类——创建词表13:11
课时140视频Twitter评论情绪分类———划分训练测试数据、创建Dataset09:08
课时141视频基础文本分类模型07:54
课时142视频LSTM文本分类模型15:54
课时143视频中文外卖评论情绪分类简单演示（上）14:32
课时144视频中文外卖评论情绪分类简单演示（下）11:22
课时145视频RNN优化方法11:31
章节19:RNN序列预测实例——北京空气质量预测
课时146视频北京空气质量数据读取与观察13:25
课时147视频北京空气质量数据预处理（二）11:02
课时148视频北京空气质量数据预处理（三）16:38
课时149视频北京空气质量数据预处理（四）14:14
课时150视频创建模型 Dataset 输入11:11
课时151视频创建序列预测模型11:39
课时152视频模型的训练和预测16:39
课时153视频模型预测演示17:57
章节20:Tensorboard 可视化
课时154视频Tensorboard安装与导入11:35
课时155视频Tensorboard可视化图片09:02
课时156视频模型网络结构的可视化07:30
课时157视频标量数据的可视化07:26
章节21:一维卷积网络
课时158视频一维卷积原理与一维卷积网络架构11:41
课时159视频一维卷积实例——中文分词11:34
课时160视频一维卷积实例——创建词表12:15
课时161视频一维卷积实例——划分数据集12:35
课时162视频一维卷积实例——批次处理函数14:30
课时163视频一维卷积实例——模型层初始化14:20
课时164视频一维卷积实例——.模型前向传播与训练07:08
章节22:语义分割图片的标注——Labelme使用教程
课时165视频Labelme的安装和单张图片的标注14:52
课时166视频从标注文件生成图像语义分割数据集13:57
课时167视频标注图片的读取和验证10:27
章节23:多任务学习
课时168视频多任务学习简介10:12
课时169视频多任务标签预处理16:39
课时170视频创建 dataset20:16
课时171视频多任务模型创建(一)14:27
课时172视频多任务模型创建(二)08:14
课时173视频多任务模型的训练13:26
章节24:目标识别与目标检测
课时174视频目标识别综述——two_stage目标检测算法14:10
课时175视频目标识别综述——one_stage目标检测算法17:17
课时176视频PyTorch内置的目标检测模块09:54
课时177视频使用PyTorch内置目标检测模块11:01
课时178视频目标识别预测结果解读与可视化14:40
课时179视频PyTorch目标检测的使用06:52
课时180视频目标检测的图像标注07:59
课时181视频标注自有数据集并安装所需的库12:09
课时182视频修改PyTorch内置目标检测模型的输出11:24
课时183视频目标识别标注文件的解析（一）16:32
课时184视频目标识别标注文件的解析（二）08:42
课时185视频创建输入Dataset18:57
课时186视频创建dataloader、初始化模型和优化器14:49
课时187视频目标识别的模型训练11:17
课时188视频目标识别的模型预测16:01
章节25:PyTorch提取中间层特征并可视化
课时189视频模型和数据集介绍11:05
课时190视频中间层特征的提取方法13:15
课时191视频特征的可视化17:14
课时192视频预训练模型中间层特征提取14:12
章节26:Transformer结构与自注意力模型
课时193视频Transformer模型简介17:27
课时194视频点积与自注意力机制18:54
课时195视频自注意力机制原理（一）20:50
课时196视频自注意力机制原理（二）09:27
课时197视频自注意力机制原理（三）13:06
课时198视频多头自注意力13:54
课时199视频残差与层归一化08:53
课时200视频位置编码21:26
课时201视频Transformer文本分类示例（一）13:05
课时202视频Transformer文本分类示例（二）10:34
课时203视频Transformer文本分类示例（三）06:57
课时204视频位置编码（上）19:10
课时205视频位置编码（下）11:59
课时206视频使用Transformer模块的完整模型训练08:21
课时207视频自定义多头自注意力层18:57
课时208视频编写多头自注意力层前向传播部分18:21
课时209视频前馈网络层06:59
课时210视频定义一个完整的编码器层11:01
课时211视频使用多个编码器层创建编码器部分08:19
课时212视频自定义Transformer编码器的模型训练05:07
课时213视频BERT模型简介08:28
课时214视频BERT简单应用13:32
课时215视频BERT文本分类微调示例17:04
课时216视频Transformer解码器结构简介10:56
课时217视频带掩码的自注意力层（一）17:10
课时218视频带掩码的自注意力层（二）14:44
课时219视频Transformer解码器的交互自注意力层（一）06:39
课时220视频Transformer解码器的交互自注意力层（二）17:49
课时221视频Transformer解码器的交互自注意力层（三）06:19
课时222视频Transformer 解码器整体架构17:08
课时223视频自定义Transformer解码器的代码实现
声明：本站所有文章，如无特殊说明或标注，均为本站原创发布。任何个人或组织，在未征得本站同意时，禁止复制、盗用、采集、发布本站内容到任何网站、书籍等各类媒体平台。如若本站内容侵犯了原著者的合法权益，可联系我们进行处理。