PyTorch 初见与环境准备

  1. 深度学习基础与框架
    2. Python 环境选择与安装
    3. PyTorch+CUDA+CuDNN 安装与配置
    4. 开发环境 IDE

    PyTorch 基础与进阶

  2. Numpy 与 Tensor 操作
    2. 自动求导
    3. 使用 Tensor 及 Antograd 实现机器学习
    4. 神经网络
    5. 优化器
    6. 基于 Pytorch 的神经网络案例实战

    机器学习原理与 PyTorch 高级

  3. 机器学习原理
    2. 过拟合与欠拟合
    3. 激活函数与损失函数
    4. 优化器
    5. PyTorch 与科学计算
    6. GPU 加速
    7. 可视化工具 tensorboardX

    卷积神经网络及图像处理相关

  4. 卷积神经网络 CNN
    2. 经典卷积神经网络 LeNet5、AlexNet、VGG、
    GoogLeNet、ResNet、DenseNet
    3. PyTorch 实现图像分类

    循环神经网络及 NLP 相关

    1. 循环神经网络
      2. LSTM、GRU、Bi-RNN
      3. 文本数据处理
      4. 词嵌入
      5. Pytorch 实现 RNN、LSTM、GRU
      用 LSTM 预测股票行情

      生成式深度学习

  5. 变分自编码 VAE
    2. GAN 网络
    3. 采用 VAE 和 GAN 生产图像
    4. DCGAN 、CGAN

    迁移学习与人脸检测与识别

  6. 数据增强
    2. 特征提取
    3. 微调实例
    4. 清除图像中的雾霾
    5. 人脸检测与对齐
    6. MTCNN 算法
    7. 人脸识别
    5. 人脸检测与识别 Pytorch 实现

    机器翻译与风格迁移

  7. Encoder-Decoder
    2. 注意力框架
    3. 用注意力机制实现中英文互译
    4. 风格迁移
    5. 图像修复
    8. Pytorch 案例实战

    强化学习

  8. Q-Leaning 原理
    2. Pytorch 实现 Q-Learning
    3. SARSA 算法
    用 Pytorch 实现 SARSA

    深度强化学习

  9. DQN 算法原理
    2. 用深度学习解决强化学习问题
    3. DQL 损失函数
    4. 经验回访机制
    DQL 算法的 Pytorch 实现

    PyTorch 领域技术探索

  10. FastAI 框架
    2. ELMo、GPT、BERT
    3. NLP 与 CV 多模态融合
    4. PyTorch Big Graph 与非欧数据