学习以稳健方式训练神经网络。在本章中，您将使用面向对象编程定义 PyTorch 数据集与模型，并复习训练与评估神经网络的要点。您还将熟悉不同的优化器，最后掌握多种用于缓解神经网络训练中常见不稳定梯度问题的技术。

PyTorch 与面向对象编程

PyTorch 数据集

PyTorch DataLoader

PyTorch 模型

优化器、训练与评估

训练循环

优化器

模型评估

梯度消失与梯度爆炸

初始化与激活函数

选项

Rectified Linear Unit (ReLU)

 Exponential Linear Unit (ELU) 

激活函数：ReLU 与 ELU

批量归一化（Batch Normalization）

训练稳健的神经网络

训练神经网络以解决图像分类任务。在本章中，您将学习如何在 PyTorch 中处理图像数据，并深入理解卷积神经网络（CNN）。您将实操训练与评估图像分类器，并学习如何通过数据增强提升模型性能。

用 PyTorch 处理图像

图像数据集

数据增强

在 PyTorch 中进行数据增强

卷积神经网络（Convolutional Neural Networks）

卷积层

构建卷积网络

训练图像分类器

选择合适的数据增强

带数据增强的数据集

图像分类器训练循环

评估图像分类器

多类别模型评估

按类别分析指标

图像与卷积神经网络

构建并训练循环神经网络（RNN）以处理序列数据，如时间序列、文本或音频。您将学习两种最常用的循环架构——长短期记忆（LSTM）与门控循环单元（GRU），以及如何为模型训练准备序列数据。您将通过训练与评估一个用于预测用电量的循环模型来巩固所学。

用 PyTorch 处理序列

生成序列

序列数据集

循环神经网络

序列结构

构建一个用于预测的 RNN

LSTM 与 GRU 单元

RNN vs. LSTM vs. GRU

LSTM 网络

GRU 网络

训练与评估 RNN

RNN 训练循环

评估预测模型

序列与循环神经网络

构建多输入与多输出模型，展示它们如何处理需要多个输入或生成多个输出的任务。您将学习如何使用 PyTorch 设计并训练这类模型，并深入探讨多输出模型中的损失加权这一关键主题。这包括理解在让模型同时执行多项任务时，如何平衡不同任务的重要性。

多输入模型

双输入数据集

双输入模型

训练双输入模型

多输出模型

双输出 Dataset 和 DataLoader

双输出模型架构

训练多输出模型

多输出模型的评估与损失加权

多输出模型的评估

损失加权

总结

多输入与多输出架构

Water Potability

Electricity Consumption

Omniglot - Test

Clouds

Omniglot - Train

深度学习是人工智能（AI）中快速发展的领域，推动了机器学习的重大进展，广泛应用于计算机视觉、自然语言处理和语音识别等方向。在本课程中，您将使用 PyTorch 构建稳健的深度学习模型，覆盖图像与序列等多种任务。您将熟悉核心网络架构，如卷积神经网络（CNN）与循环神经网络（RNN），包括长短期记忆（LSTM）网络和门控循环单元（GRU）。

<h2>学习深度学习</h2>
深度学习是人工智能领域中一个快速发展的方向，它彻底改变了机器学习领域，推动了计算机视觉、自然语言处理和语音识别等领域的突破。 生成式人工智能的最新进展，包括图像生成器和对话式聊天机器人，已将深度机器学习模型推到了公众视野的中心。 立即开始了解深度学习的工作原理，并亲自训练深度模型。
<br><br>
<h2>使用 PyTorch，以最 Pythonic 的方式进行深度学习</h2>
PyTorch 是一个强大且灵活的深度学习框架，使研究人员和从业者能够轻松构建和训练神经网络。 深受全球 Python 爱好者喜爱的 PyTorch，提供了极大的灵活性和直观的方式来实现深度学习概念。
<br><br>
<h2>训练稳健的深度学习模型</h2>
这门 PyTorch 深度学习课程旨在帮助你全面理解深度学习的基本概念和技术，并让你掌握实现各种神经网络概念的实用技能。 你将掌握多输入和多输出架构。 你将学习如何使用非饱和激活函数、批量归一化和合适的权重初始化来防止梯度消失和梯度爆炸问题。 您将能够使用正则化和 dropout 来缓解过拟合。 最后，你将了解如何通过学习率调度来加速训练过程。
<br><br>
<h2>构建图像和序列模型</h2>
您将了解两种专门的神经网络架构： 用于图像数据的卷积神经网络（CNN）以及用于时间序列或文本等序列数据的循环神经网络（RNN）。 您将了解它们的优势，并能够将其应用于图像分类和时间序列预测任务。
<br><br>
在课程结束时，您将具备扎实的知识和信心，能够为各种应用稳健地训练和评估您自己的深度学习模型。

Introduction to Deep Learning with PyTorch

了解用于图像和序列数据建模的深度学习架构，如CNN、RNN、LSTM和GRU。

PyTorch 深度学习进阶

了解用于建模图像和序列数据的基础深度学习架构，如 CNN、RNN、LSTM 和 GRU。

面向数据科学家的 AI 工程师助理

深度学习 在 Python 中

机器学习科学家 在 Python 中

其平均输出接近 0，因此不易出现梯度消失

激活函数：ReLU 与 ELU

PyTorch 深度学习进阶

动手互动练习