隨著深度學習的發(fā)展，深度學習框架開始大量的出現(xiàn)。尤其是近兩年，Google、Facebook、Microsoft等巨頭都圍繞深度學習重點投資了一系列新興項目，他們也一直在支持一些開源的深度學習框架。目前研究人員正在使用的深度學習框架不盡相同，有 TensorFlow 、Pytorch、Caffe、Theano、Keras等。

這些講座長度相對簡短，重點突出，非常適合碎片時間學習。通過這系列課程，我們將學習如何用PyTorch構建神經網絡，并且我們非常接近于從頭開始編寫神經網絡。這將幫助我們對神經網絡和深度學習有更深入的了解。

課程每兩天發(fā)布一節(jié)，目前已發(fā)布的內容包括：

PyTorch先修要求——神經網絡編程系列教學大綱

PyTorch的解釋——Python深度學習神經網絡API

PyTorch安裝——快速簡便

CUDA的解釋——為什么深度學習要使用GPU

Tensors 的解釋——深度學習的數(shù)據(jù)結構

Rank，Axes和Shape的解釋——深度學習的延伸

CNN張量形狀的解釋——卷積神經網絡和特征映射

神經網絡編程系列課程目錄

第1部分：PyTorch和Tensors

第1節(jié)：PyTorch簡介

PyTorch——Python深度學習神經網絡API

PyTorch安裝——快速、簡便地安裝PyTorch

CUDA——為什么深度學習使用GPU

第2節(jié)： Tensors 

Tensors——深度學習的數(shù)據(jù)結構

Rank， Axes和Shape——深度學習的延伸

PyTorch Tensors——神經網絡編程

創(chuàng)建PyTorch Tensors——最佳選擇

PyTorchTensors——Reshaping操作

PyTorch Tensors——Element-wise Operations操作

PyTorch張Tensors——Reduction 和 Access 操作

第2部分：使用PyTorch進行神經網絡和深度學習

第1節(jié)：數(shù)據(jù)和數(shù)據(jù)處理

Fashion MNIST——機器學習數(shù)據(jù)集

PyTorch torchvision——帶數(shù)據(jù)集和數(shù)據(jù)加載器的ETL

用于機器學習的PyTorch數(shù)據(jù)集和數(shù)據(jù)加載器

第2節(jié)：神經網絡和深度學習

使用PyTorch構建神經網絡

PyTorch中的CNN層的屬性參數(shù)

PyTorch中的CNN前向傳播實現(xiàn)

前向傳播——將單個圖像傳遞給神經網絡

神經網絡批處理——傳遞圖像的batch

卷積神經網絡張量變換

第3節(jié)：訓練神經網絡

使用PyTorch訓練卷積神經網絡

使用混淆矩陣分析CNN的結果

神經網絡編程：第1部分

神經網絡編程系列的第一部分包括2節(jié)內容。

第一節(jié)將介紹PyTorch及其功能，解釋為什么應該首先使用PyTorch。 此外，還將介紹CUDA，這是一個在Nvidia GPU上進行并行計算的軟件平臺。如果你對為什么深度學習首先使用GPU有疑問，CUDA的部分將介紹這些細節(jié)！

第二節(jié)全部是關于Tensor，即深度學習的數(shù)據(jù)結構。了解張量對于成為深度學習專業(yè)人士至關重要，因此這部分將詳細介紹。

當然，我們將使用PyTorch，但是我們在本節(jié)中學到的概念和操作對于理解神經網絡是必要的，并且將適用于任何深度學習框架。

神經網絡編程：第2部分

神經網絡編程系列的第二部分將帶領學習者開始構建第一個深度學習項目。

第二部分由三節(jié)內容組成。

第一部分將涵蓋深度學習的數(shù)據(jù)和數(shù)據(jù)處理，以及這些與你的深度學習項目的關系。由于張量是深度學習的數(shù)據(jù)結構，我們將利用從第一部分中學到的有關張量的所有知識。我們將介紹要用于構建用于圖像分類的卷積神經網絡的Fashion-MNIST數(shù)據(jù)集。