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(jīng)網(wǎng)絡，并且我們非常接近于從頭開始編寫神經(jīng)網(wǎng)絡。這將幫助我們對神經(jīng)網(wǎng)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(nèi)容包括：
PyTorch先修要求——神經(jīng)網(wǎng)絡編程系列教學大綱
PyTorch的解釋——Python深度學習神經(jīng)網(wǎng)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(jīng)網(wǎng)絡和特征映射
神經(jīng)網(wǎng)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(jīng)網(wǎng)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(jīng)網(wǎng)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(jīng)網(wǎng)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(jīng)網(wǎng)絡和深度學習
使用PyTorch構建神經(jīng)網(wǎng)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(jīng)網(wǎng)絡
神經(jīng)網(wǎng)絡批處理——傳遞圖像的batch
卷積神經(jīng)網(wǎng)絡張量變換
第3節(jié)：訓練神經(jīng)網(wǎng)絡
使用PyTorch訓練卷積神經(jīng)網(wǎng)絡
使用混淆矩陣分析CNN的結果
神經(jīng)網(wǎng)絡編程：第1部分
神經(jīng)網(wǎng)絡編程系列的第一部分包括2節(jié)內(nèi)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(jīng)網(wǎng)絡是必要的，并且將適用于任何深度學習框架。
神經(jīng)網(wǎng)絡編程：第2部分
神經(jīng)網(wǎng)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(nèi)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(jīng)網(wǎng)絡的Fashion-MNIST數(shù)據(jù)集。
