|
今年8月！PyTorch 1.2.0 版本来啦！！ 据我们了解，在学术领域，特别是CV/NLP方向，有90%的人都在使用PyTorch，最新PyTorch 1.2.0版本的发布，使每项工具都进行了新的优化与改进，兼容性更强，使用起来也更加便捷！ 通过使用 PyTorch 1.2.0 开源 ML 框架在生产应用方面向前迈出了一大步，并增加了一个改进的、更加完善的 TorchScript 环境。这些改进使得用户可以更容易建立生产模型，扩展对导出 ONNX 格式模型的支持功能，并增强对 Transformers 模块的支持。 这么多人都在学 PyTorch，而且还备受好评，其实都来自于它独特的魅力~  1）上手快：PyTorch代码更简洁易读，实现时间短，只要了解它和机器学习的基础概念，就可以上手使用 2）易调试：由于PyTorch采用动态图机制，使得调试它就像调试Python一样简单 3）资源多：非常干净、统一，文档化非常好，也没有大量重复的函数，目前arXiv中最新的算法大多都用PyTorch实现，可以迅速的复现最新最优的算法 4）PyTorch不仅对初学者十分友好，对于研究人员以及工程师也是十分推荐学习使用，能对小规模项目等快速搞出原型。 5）因为最新算法大多用PyTorch实现，工程师们可以快速获得SOTA，同时它还拥有广泛的群众基础（github贡献者超1100位），出现问题可以发挥群众的力量去解决。 我们了解到，市面上大多数学习PyTorch的主要内容是各种模型的介绍和实现，对PyTorch本身讲解过少，经常有学习过的小伙伴向我吐槽，他们运用PyTorch出现的一些难点： 1.查资料耗时间，效率低 2.思路不清晰、不理解函数、参数太多 3.框架重难点不易理解、不太懂参数用法 4.底层原理了解不透，不实践就容易忘记，实操能力差 5.不能灵活调用api,耗费大量时间，精力 相信大家在学习的过程中，也遇到了以上问题，弱弱的问一句，你身中几刀？ 为了提高学习效率，便于更好的熟练运用框架，我们精心准备了一场基于最新发布的PyTorch 1.2.0 版本的  基于实战讲解PyTorch基本概念，然后依模型训练过程所涉及到的五大模块进行学习（数据、模型、损失函数、优化器、迭代训练可视化）从环境搭建到项目实战，0基础让你熟练掌PyTorch！ 1 全套系统视频讲解课 针对在运用框架时同学们不懂的问题，我们给大家提供了全套的系统视频讲解课，让你彻底搞懂框架内的每一个原理 2 配套代码视频讲解+代码作业 我们在每节课均设计合理的代码作业，让你们从作业中理解以及加深所学知识，并在整个教学设计上，提供配套代码视频讲解，通过理论与代码实践相结合，让你们学习更轻松，可以边学边用  【第一周】视频课 1. PyTorch简介 2. 环境配置 2.1 Pycharm 2.2 anaconda 2.3 安装PyTorch 2.4 测试 3. PyTorch的数据结构——Tensor和Variable 4. PyTorch的自动微分——autograd 5. PyTorch的nn模块——逻辑回归 作业：Tensor操作；实现自动微分；采用nn实现逻辑回归分类器 【第二周】视频课 1. DataSet与DataLoader 2. 让PyTorch读取自己的数据 3. 数据预处理及从硬盘到模型 4. 数据增强的二十二种模块 作业：构建DataSet读取自己的数据；实现数据增强； 【第三周】视频课 1. 模型搭建要素及sequential 2. 常用网络层介绍及使用 3. 模型参数初始化方法——十种 4. 卷积神经网络Lenet-5搭建及训练 作业：采用sequential和非sequenial构建Lenet-5进行图像分类；采用不同初始化方法对Lenet-5参数初始化； 【第四周】视频课 1. 特殊的Module——Function 2. 损失函数讲解——十七种 3. 优化器讲解——十种 4. 学习率调整策略——六种 作业：手算并对比PyTorch损失函数；构建一个优化器并打印其属性；实现学习率调整策略并打印学习率变化； 【第五周】视频课 1. TensorBoard介绍 2. Loss及Accuracy可视化 3. 卷积核及特征图可视化 4. 梯度及权值分布可视化 5. 混淆矩阵及其可视化 6. 类激活图可视化（Grad-CAM） 作业：采用Tensorborad对Lenet-5的loss、accuracy和混淆矩阵进行可视化；对AlexNet的卷积核及特征图可视化；采用Grad-CAM对Lenet-5进行类激活图可视化 【第六周】视频课 1. 过拟合正则化 2. L1和L2正则项 3. Dropout 4. Batch Normalization 5. module.eval()对dropout及BN的影响 作业：采用L1和L2对逻辑回归进行正则化，并采用TensorBoard对权值分布进行对比；对Lenet-5采用dropout及BN，并理解module.eval()原理 【第七周】视频课 1. 迁移学习之——模型Finetune 2. 模型保存与加载 3. Early Stop 4. GPU使用——调用、选择、模型保存与加载 作业：采用10分类模型进行2分类Finetune; GPU模型训练与加载 【第八周】视频课 1. 图像分类实战——ResNet18 2. 图像分割实战——Unet 3. 图像目标检测实战——YOLOV3 4. 图像生成对抗网络实战——GAN 5. 递归神经网络实战——RNN/LSTM 项目：采用自己的数据实现上述5种模型 有好的课程教材，也必须要有好的导师，才能让学习能力倍速提升，为此，我们请到了《PyTorch 模型训练最新实用教程》原书作者以及备受学员喜爱的资深导师团带学！ 领衔导师： 某互联网公司CV算法工程师 著有电子书《PyTorch 模型训练最新实用教程》 在深度学习学习者和研究者中广为传播，并被 “机器之心”等一线AI媒体转载或报道 维度1：赠送价值1198元为期一年1对1导师咨询服务，12小时之内保证解决问题 维度2：每月统一收集问题直播答疑，系统讲解重难点 维度3：微信群助教及时互动，群友互答 各大985、211名校学生都选择加入我们的训练营一起学习，不乏哈佛、麻省、清华、北大、中科院本科生研究生，华为、阿里、滴滴的工程师   |
|
|
来自： 西北望msm66g9f > 《编程》
