自动驾驶、智能手机、搜索引擎……深度学习已经无处不在。在构建复杂模型之前，您将先熟悉 PyTorch 这一深度学习框架。您将学习如何操作张量、创建 PyTorch 数据结构，并使用线性层在 PyTorch 中搭建第一个神经网络。

PyTorch 深度学习入门

从 PyTorch 张量开始

检查与相加张量

神经网络与层

线性层网络

理解权重

隐藏层与参数

您的第一个神经网络

堆叠线性层

计算参数数量

PyTorch 简介：一款深度学习库

要在 PyTorch 中训练神经网络，您需要先理解更多组件，例如激活函数和损失函数。随后您会了解到，训练网络的目标是最小化损失函数，这需要计算梯度。您将学习如何利用这些梯度来更新模型参数。


认识激活函数

激活您的理解！

Sigmoid 与 Softmax 函数

运行一次前向传播

在 PyTorch 中构建二分类器

从回归到多类别分类

使用损失函数评估模型预测

创建 one-hot 编码的标签

计算交叉熵损失

用导数更新模型参数

访问模型参数

手动更新权重

使用 PyTorch 优化器

神经网络架构与超参数

既然您已经了解了神经网络的关键组成部分，接下来将使用训练循环来训练一个网络。您会探索可能出现的问题，如梯度消失，并学习应对策略，例如采用替代激活函数，以及调节学习率与动量。

更深入地了解数据加载

使用 TensorDataset

使用 DataLoader

编写我们的第一个训练循环

使用 MSELoss

编写训练循环

ReLU 激活函数

实现 ReLU

实现 Leaky ReLU

理解激活函数

学习率与动量

尝试不同的学习率

尝试不同的动量参数

使用 PyTorch 训练神经网络

训练深度学习模型既是技术也是技巧。为确保模型被正确训练，我们需要在训练过程中跟踪若干指标，例如损失和准确率。我们将学习如何计算这些指标，以及如何减少过拟合。


层初始化与迁移学习

微调流程

冻结模型的部分层

层初始化

评估模型表现

编写评估循环

使用 torchmetrics 计算准确率

对抗过拟合

尝试使用 dropout

理解过拟合

提升模型性能

实现随机搜索

总结视频

评估与改进模型

Water Potability

Course Glossary

Face Mask Dataset

深度学习无处不在，从智能手机相机到语音助手，再到自动驾驶汽车。本课程将带您认识这一强大技术，并学习如何使用最流行的深度学习库之一 PyTorch 来加以运用。完成本课程后，您将能够使用 PyTorch 通过深度学习解决分类和回归问题。

视频包含实时字幕，您可以点击视频左下角的 "Show transcript" 进行查看。

课程术语表位于右侧的资源部分。

若要获得 CPE 学分，您需要完成课程并在合格测评中达到 70% 的分数。您可以点击右侧的 CPE 学分提示进入测评。

<h2>理解深度学习的强大力量</h2>
深度学习无处不在：在智能手机摄像头、语音助手和自动驾驶汽车中。 它甚至帮助发现了蛋白质结构，并在围棋比赛中击败了人类。 探索这项强大的技术，并学习如何使用 PyTorch（最受欢迎的深度学习库之一）来加以利用。<br><br>
<h2>训练你的第一个神经网络</h2>首先，了解深度学习与“经典”机器学习之间的区别。 您将了解神经网络的训练过程，以及如何编写训练循环。 为此，你将为回归和分类问题创建损失函数，并利用 PyTorch 计算它们的导数。<br><br><h2>评估并改进你的模型</h2>在后半部分，学习可以调整的不同超参数，以提升你的模型。 在了解神经网络的不同组成部分后，你将能够创建更大、更复杂的架构。 要衡量你的模型性能，你将使用 TorchMetrics，这是一个用于模型评估的 PyTorch 库。 <br><br>完成后，您将能够利用 PyTorch 使用深度学习解决表格数据和图像数据上的分类与回归问题。 对于希望提升职业发展的资深数据专业人士来说，这是一项至关重要的能力。

Supervised Learning with scikit-learn

Introduction to NumPy

Python Toolbox

学习在PyTorch中构建神经网络，调整超参数，解决分类和回归问题。

使用 PyTorch 的深度学习入门

学习如何在 PyTorch 中构建你的第一个神经网络、调整超参数，并解决分类和回归问题。

编写我们的第一个训练循环

Create Your Free Account