【群粉福利】2022最新最通俗易懂的PyTorch教程
├─{1}--课程
│ ├─{1}--Pytorch概述
│ │ (1.4)--最新PyTorch1.10安装课件.pdf
│ │ [1.1]--Pytorch框架简介.mp4
│ │ [1.2]--最新PyTorch1.10CPU版本的极简安装.mp4
│ │ [1.3]--最新PyTorch1.10GPU版本的极简安装.mp4
│ │
│ ├─{2}--深度学习基础与线性回归实例
│ │ [2.1]--机器学习基础-线性回归模型原理.mp4
│ │ [2.2]--入门实例——PyTorch模型的创建.mp4
│ │ [2.3]--入门实例——模型的训练与预测.mp4
│ │
│ ├─{3}--PyTorch张量基础
│ │ [3.1]--张量初始化与张量类型.mp4
│ │ [3.2]--张量随机值、移动张量到设备.mp4
│ │ [3.3]--数据类型转换、张量运算.mp4
│ │ [3.4]--张量变形.mp4
│ │ [3.5]--张量的微分运算.mp4
│ │ [3.6]--入门实例模型的分解写法.mp4
│ │
│ ├─{4}--逻辑回归与二分类问题
│ │ [4.1]--二分类示例——逻辑回归与交叉熵.mp4
│ │ [4.2]--逻辑回归模型的创建与训练.mp4
│ │
│ ├─{5}--多层感知器
│ │ [5.1]--多层感知器简介.mp4
│ │ [5.2]--激活函数.mp4
│ │ [5.3]--多层感知器实例-数据预处理.mp4
│ │ [5.4]--多层感知器模型创建.mp4
│ │ [5.5]--多层感知器模型改写与解释.mp4
│ │ [5.6]--多层感知器模型训练.mp4
│ │ [5.7]--使用Dataset和Dataloader加载模型数据.mp4
│ │ [5.8]--划分验证数据和测试数据.mp4
│ │ [5.9]--添加正确率和验证数据.mp4
│ │
│ ├─{6}--多分类问题与通用训练函数
│ │ [6.1]--多分类问题与Softmax.mp4
│ │ [6.2]--torchvision加载内置数据集.mp4
│ │ [6.3]--创建dataloader.mp4
│ │ [6.4]--MNIST多分类模型创建.mp4
│ │ [6.5]--模型初始化和优化器.mp4
│ │ [6.6]--通用训练函数.mp4
│ │ [6.7]--通用测试函数和训练循环.mp4
│ │ [6.8]--模型的训练与简单优化思路.mp4
│ │ [6.9]--模型输出与损失函数.mp4
│ │
│ ├─{7}--基础部分综述
│ │ [7.1]--梯度下降算法与学习速率.mp4
│ │ [7.2]--反向传播算法与优化器.mp4
│ │ [7.3]--基础部分知识点总结.mp4
│ │ [7.4]--基础部分作业——Fashion-MNIST数据分类.mp4
│ │
│ ├─{8}--计算机视觉基础
│ │ [8.10]--Dropout抑制过拟合.mp4
│ │ [8.11]--Dropout代码实现.mp4
│ │ [8.12]--批标准化（BatchNormalization）简介.mp4
│ │ [8.13]--BatchNormalization层的代码实现.mp4
│ │ [8.14]--超参数选择原则.mp4
│ │ [8.1]--什么是卷积.mp4
│ │ [8.2]--卷积模型的整体架构.mp4
│ │ [8.3]--卷积模型解决手写数字分类.mp4
│ │ [8.4]--使用GPU加速训练.mp4
│ │ [8.5]--卷积模型基础实例——四种天气数据集.mp4
│ │ [8.6]--读取、预处理图片并创建Dataset.mp4
│ │ [8.7]--创建Dataloader和可视化图片.mp4
│ │ [8.8]--四种天气分类模型的创建.mp4
│ │ [8.9]--卷积模型的训练.mp4
│ │
│ └─{9}--预训练模型（迁移学习）
│ [9.1]--预训练模型与VGG架构.mp4
│ [9.2]--预训练模型的使用介绍.mp4
│ [9.3]--预训练模型VGG的代码实现.mp4
│ [9.4]--图像数据增强.mp4
│ [9.5]--学习速率衰减.mp4
│ [9.6]--RESNET预训练模型.mp4
│ [9.7]--微调与迁移学习.mp4
│ [9.8]--模型权重保存.mp4
│ ├─{10}--Dataset数据输入
│ │ [10.1]--自定义输入Dataset类.mp4
│ │ [10.2]--获取图片路径和标签.mp4
│ │ [10.3]--创建四种天气数据集的Dataset类.mp4
│ │ [10.4]--创建输入并可视化.mp4
│ │ [10.5]--划分测试数据和验证数据.mp4
│ │ [10.6]--灵活的使用Dataset类构造输入.mp4
│ │
│ ├─{11}--现代网络架构
│ │ [11.10]--创建特征Dataset和分类模型.mp4
│ │ [11.11]--模型训练和预测简介.mp4
│ │ [11.12]--Inception网络结构简介.mp4
│ │ [11.13]--Inception结构代码实现（一）.mp4
│ │ [11.14]--Inception结构代码实现（二）.mp4
│ │ [11.15]--Inception结构应用和优化——Googlenet和ince.mp4
│ │ [11.1]--Resnet和残差结构介绍.mp4
│ │ [11.2]--Resnet结构代码实现（一）.mp4
│ │ [11.3]--Resnet结构代码实现（二）.mp4
│ │ [11.4]--DenseNet模型简介.mp4
│ │ [11.5]--DenseNet提取图片特征——获取图片和标签.mp4
│ │ [11.6]--类别编码、划分测试数据和训练数据.mp4
│ │ [11.7]--创建输入Dataset.mp4
│ │ [11.8]--创建Dataloader并可视化.mp4
│ │ [11.9]--使用DenseNet卷积基提取特征.mp4
│ │
│ ├─{12}--简单图像定位
│ │ [12.1]--常见图像处理任务和图像定位原理.mp4
│ │ [12.2]--图像定位实例——数据观察与理解.mp4
│ │ [12.3]--目标值的解析和可视化.mp4
│ │ [12.4]--数据集路径读取与筛选.mp4
│ │ [12.5]--解析xml目标值.mp4
│ │ [12.6]--创建Dataset.mp4
│ │ [12.7]--创建dataloader和图像可视化.mp4
│ │ [12.8]--创建图像定位模型.mp4
│ │ [12.9]--图像定位模型的训练和预测.mp4
│ │
│ ├─{13}--Unet图像语义分割
│ │ [13.10]--Unet模型的前向传播部分.mp4
│ │ [13.11]--模型训练.mp4
│ │ [13.12]--Unet模型测试.mp4
│ │ [13.13]--Unet模型预测.mp4
│ │ [13.1]--图像语义分割简介.mp4
│ │ [13.2]--UNET语义分割结构介绍.mp4
│ │ [13.3]--语义分割的输入输出、反卷积和IoU指标.mp4
│ │ [13.4]--Unet语义分割模型数据观察.mp4
│ │ [13.5]--创建dataset输入.mp4
│ │ [13.6]--创建和测试dataset并绘图.mp4
│ │ [13.7]--下采样子模型.mp4
│ │ [13.8]--上采样子模型.mp4
│ │ [13.9]--Unet模型初始化部分.mp4
│ │
│ ├─{14}--LinkNet图像语义分割模型
│ │ (14.2)--LinkNet模型课件，大家可尝试自己去实现这个模型.pdf
│ │ [14.10]--模型的前向传播.mp4
│ │ [14.11]--模型训练和IOU指标.mp4
│ │ [14.1]--LinkNet图像语义分割模型简介.mp4
│ │ [14.3]--代码组织结构.mp4
│ │ [14.4]--卷积模块.mp4
│ │ [14.5]--反卷积模块.mp4
│ │ [14.6]--编码器模块.mp4
│ │ [14.7]--解码器模块.mp4
│ │ [14.8]--输入和编码部分的初始化.mp4
│ │ [14.9]--解码器和输出部分的初始化.mp4
│ │
│ ├─{15}--图像语义分割中对一般标注图片的处理
│ │ [15.1]--.数据观察、读取和划分训练和测试数据.mp4
│ │ [15.2]--创建Dataset及标注图片的读取和处理.mp4
│ │ [15.3]--创建Dataloader及输入可视化.mp4
│ │
│ ├─{16}--简单文本分类与词嵌入表示
│ │ [16.10]--文本分类模型训练与调试.mp4
│ │ [16.1]--文本表示与词嵌入.mp4
│ │ [16.2]--文本向量化流程与分词.mp4
│ │ [16.3]--文本的向量化实现.mp4
│ │ [16.4]--简单文本分类模型与embedingbag.mp4
│ │ [16.5]--Torchtext加载内置数据集及分词工具.mp4
│ │ [16.6]--Torchtext创建词表工具.mp4
│ │ [16.7]--Torchtext处理文本总结.mp4
│ │ [16.8]--Dataloader批次处理函数.mp4
│ │ [16.9]--文本分类模型的初始化部分.mp4
│ │
│ ├─{17}--RNN循环神经网络基础
│ │ [17.1]--RNN循环神经网络简介.mp4
│ │ [17.2]--RNNCell在序列上展开模型实现.mp4
│ │ [17.3]--RNNCell简单文本分类模型的实现.mp4
│ │ [17.4]--LSTM网络简介.mp4
│ │ [17.5]--使用LSTMcell实现文本分类.mp4
│ │ [17.6]--GRU网络简介.mp4
│ │ [17.7]--LSTM高阶API.mp4
│ │
│ ├─{18}--文本分类实例
│ │ [18.1]--Twitter评论情绪分类——数据读取与观察.mp4
│ │ [18.2]--Twitter评论情绪分类——创建词表.mp4
│ │ [18.3]--Twitter评论情绪分类———划分训练测试数据、创建Datas.mp4
│ │ [18.4]--基础文本分类模型.mp4
│ │ [18.5]--LSTM文本分类模型.mp4
│ │ [18.6]--中文外卖评论情绪分类简单演示（上）.mp4
│ │ [18.7]--中文外卖评论情绪分类简单演示（下）.mp4
│ │ [18.8]--RNN优化方法.mp4
│ │
│ ├─{19}--文本与注意力
│ │ [19.1]--循环神经网络其他应用及seq2seq简介.mp4
│ │ [19.2]--注意力机制简介.mp4
│ │ [19.3]--自注意力机制简介.mp4
│ │ [19.4]--Transformer模型简介.mp4
│ │ [19.5]--Transformer提取特征实现文本分类小实例.mp4
│ │
│ │
│ ├─{20}--RNN序列预测实例——北京空气质量预测
│ │ [20.1]--北京空气质量数据读取与观察.mp4
│ │ [20.2]--北京空气质量数据预处理（二）.mp4
│ │ [20.3]--北京空气质量数据预处理（三）.mp4
│ │ [20.4]--北京空气质量数据预处理（四）.mp4
│ │ [20.5]--创建模型Dataset输入.mp4
│ │ [20.6]--创建序列预测模型.mp4
│ │ [20.7]--模型的训练和预测.mp4
│ │ [20.8]--模型预测演示.mp4
│ │
│ ├─{21}--Tensorboard可视化
│ │ [21.1]--Tensorboard安装与导入.mp4
│ │ [21.2]--Tensorboard可视化图片.mp4
│ │ [21.3]--模型网络结构的可视化.mp4
│ │ [21.4]--标量数据的可视化.mp4
│ │
│ ├─{22}--一维卷积网络
│ │ [22.1]--一维卷积原理与一维卷积网络架构.mp4
│ │ [22.2]--一维卷积实例——中文分词.mp4
│ │ [22.3]--一维卷积实例——创建词表.mp4
│ │ [22.4]--一维卷积实例——划分数据集.mp4
│ │ [22.5]--一维卷积实例——批次处理函数.mp4
│ │ [22.6]--一维卷积实例——模型层初始化.mp4
│ │ [22.7]--一维卷积实例——.模型前向传播与训练.mp4
群粉专属福利，直接在群上回复：“2022Pytorch” 获取