學習如何以穩健方式訓練神經網路。本章中，你將使用物件導向程式設計來定義 PyTorch 資料集與模型，並複習訓練與評估神經網路的知識。你也會熟悉不同的最佳化器，最後掌握多種技術，協助減輕神經網路訓練中常見的不穩定梯度問題。

PyTorch 與物件導向程式設計

PyTorch 資料集

PyTorch DataLoader

PyTorch 模型

最佳化器、訓練與評估

訓練迴圈

最佳化器（Optimizers）

模型評估

梯度消失與梯度爆炸

初始化與啟動函式

啟動函式：ReLU vs. ELU

批次正規化（Batch Normalization）

訓練穩健的神經網路

訓練神經網路以解決影像分類任務。本章中，你將學會在 PyTorch 中處理影像資料，並掌握卷積神經網路（CNN）。你會實作影像分類器的訓練與評估，同時學習如何透過資料增強來提升模型效能。

使用 PyTorch 處理影像

影像資料集

資料增強

在 PyTorch 中做資料增強

卷積式神經網路

卷積層

建立卷積式網路

訓練影像分類器

選擇適合的資料增強

含資料增強的 Dataset

影像分類器訓練迴圈

評估影像分類器

多類別模型評估

逐類別分析評估指標

影像與卷積神經網路

建立並訓練循環神經網路（RNN），以處理時間序列、文字或音訊等序列資料。你將學習兩種最常見的循環架構：長短期記憶（LSTM）與門控循環單元（GRU），以及如何準備序列資料以進行模型訓練。你會透過訓練並評估一個用於預測用電量的循環模型來實作所學技能。

使用 PyTorch 處理序列

產生序列

序列式資料集

循環式神經網路

選項

序列到向量（sequence-to-vector）

向量到序列（vector-to-sequence）

編碼器—解碼器（encoder–decoder）

序列式架構

建立一個預測用 RNN

LSTM 與 GRU 單元

RNN、LSTM 與 GRU 的比較

LSTM 網路

GRU 網路

訓練與評估 RNN

RNN 訓練迴圈

評估預測模型

序列與循環神經網路

建立多輸入與多輸出模型，示範這些模型如何處理需要多個輸入或產生多個輸出的任務。你將學習如何使用 PyTorch 設計並訓練此類模型，並深入探討多輸出模型中的損失加權這個關鍵主題。這包含理解在同時訓練多個任務時，如何平衡各任務的重要性。

多輸入模型

雙輸入資料集

雙輸入模型

訓練雙輸入模型

多輸出模型

雙輸出 Dataset 與 DataLoader

雙輸出模型架構

訓練多輸出模型

多輸出模型的評估與損失加權

多輸出模型評估

損失加權（Loss weighting）

結語

多輸入與多輸出架構

Water Potability

Electricity Consumption

Omniglot - Test

Clouds

Omniglot - Train

深度學習是人工智慧（AI）中快速發展的領域，徹底改變了機器學習，並推動電腦視覺、自然語言處理與語音辨識等領域的突破。在本課程中，你將使用 PyTorch 建立穩健的深度學習模型，涵蓋影像與序列等多種應用。你會熟悉核心網路架構，例如卷積神經網路（CNN）與循環神經網路（RNN），也包含長短期記憶（LSTM）與門控循環單元（GRU）等模型。

<h2>學習深度學習</h2>
深度學習是人工智慧領域中快速發展的一環，徹底革新了機器學習，並推動了電腦視覺、自然語言處理與語音辨識等領域的重大突破。 生成式 AI 的最新進展，包括圖像生成器和對話型聊天機器人，讓深度機器學習模型成為大眾關注的焦點。 立即開始學習深度學習的運作原理，並親自訓練深度模型。
<br><br>
<h2>使用 PyTorch，體驗最符合 Python 風格的深度學習方式</h2>
PyTorch 是一個功能強大且靈活的深度學習框架，讓研究人員與實務工作者能夠輕鬆建立並訓練神經網路。 深受全球 Python 愛好者喜愛的 PyTorch，提供高度彈性，並以直觀的方式實現深度學習概念。
<br><br>
<h2>訓練強健的深度學習模型</h2>
本課程專為深入學習 PyTorch 而設計，將帶領您全面了解深度學習的基本概念與技術，並培養您實作各種神經網路概念的實務技能。 您將深入了解多輸入與多輸出架構。 您將學習如何透過非飽和激活函數、批次正規化，以及正確的權重初始化，來預防梯度消失與梯度爆炸問題。 您將能夠透過正則化與dropout來減輕過擬合的問題。 最後，您將學會如何透過學習率調度來加速訓練過程。
<br><br>
<h2>建立影像與序列模型</h2>
您將認識兩種專門的神經網路架構： 卷積神經網路（CNN）適用於影像資料，循環神經網路（RNN）則適用於序列資料，例如時間序列或文字。 您將了解它們的優勢，並能夠將其應用於影像分類與時間序列預測任務。
<br><br>
在本課程結束時，您將具備知識與自信，能夠為各種應用穩健地訓練並評估您自己的深度學習模型。

Introduction to Deep Learning with PyTorch

了解基本深度學習架構，如CNN、RNN、LSTM和GRU，用於圖像和序列數據建模。

Intermediate Deep Learning with PyTorch

掌握 CNN、RNN、LSTM、GRU 等深度學習架構，應用於影像與序列資料建模。

AI 工程師助理職涯路徑（適合資料科學家）

深度學習 使用 Python

機器學習科學家 使用 Python

文字的情感分類：根據一段詞序列，模型預測情感是正向或負向。

時間序列的一步預測（根據過去 30 天，預測明天）。

影像字幕產生：將影像的向量表示餵給模型，讓它逐字產生描述。

文字生成：給定代表特定主題的向量，模型在該主題上生成文字。

將文字從一種語言翻譯到另一種語言。

非即時的語音辨識，例如 Google Assistant 或 Amazon Alexa：裝置會先聆聽，之後才回覆。

序列式架構

Intermediate Deep Learning with PyTorch

動手互動練習