入门最佳！PyTorch深度学习免费课程（附资源）

Deeplizard网站推出了一系列关于神经网络编程和PyTorch的免费课程。PyTorch是一个 Python 的深度学习框架，一经推出就立刻引起了广泛关注，并迅速在研究领域流行起来，大有要赶超Tensorflow 的势头。

这些讲座长度相对简短，重点突出，非常适合碎片时间学习。通过这系列课程，我们 将学习如何用PyTorch构建神经网络，并且我们非常接近于从头开始编写神经网络 。这将帮助我们对神经网络和深度学习有更深入的了解。

课程每两天发布一节，目前已发布的内容包括：

• PyTorch先修要求——神经网络编程系列教学大纲

• PyTorch的解释——Python深度学习神经网络API

• PyTorch安装——快速简便

• CUDA的解释——为什么深度学习要使用GPU

• Tensors 的解释——深度学习的数据结构

• Rank，Axes和Shape的解释——深度学习的延伸

• CNN张量形状的解释——卷积神经网络和特征映射

  
  

我们来看第一节课—— 使用PyTorch实践深度学习需要哪些先决条件？

主要是两点：

• 编程经验

• 神经网络经验

这个神经网络编程系列课程将专注于使用Python和PyTorch编写神经网络。

无需事先了解Python。但是，需要理解一般的编程。有任何编程经验或对变量、对象和循环等概念有所了解，都可以参与这系列的课程。

神经网络经验

在本系列教程中，我们将使用PyTorch，这是Python的一个深度学习神经网络API。

从编程的角度来看，我们将非常接近于从头开始编程神经网络。因此，了解神经网络和深度学习的基本原理无疑是有益的。这不是必要要求，但建议先学习深度学习基础。

神经网络编程系列课程目录

第1部分：PyTorch和Tensors

• 第1节：PyTorch简介

• PyTorch——Python深度学习神经网络API

• PyTorch安装——快速、简便地安装PyTorch

• CUDA——为什么深度学习使用GPU

• 第2节： Tensors

• Tensors——深度学习的数据结构

• Rank， Axes和Shape——深度学习的延伸

• PyTorch Tensors——神经网络编程

• 创建PyTorch Tensors——最佳选择

• PyTorchTensors——Reshaping操作

• PyTorch Tensors——Element-wise Operations操作

• PyTorch张Tensors——Reduction 和 Access 操作

第2部分：使用PyTorch进行神经网络和深度学习

• 第1节：数据和数据处理

• Fashion MNIST——机器学习数据集

• PyTorch torchvision——带数据集和数据加载器的ETL

• 用于机器学习的PyTorch数据集和数据加载器

• 第2节：神经网络和深度学习

• 使用PyTorch构建神经网络

• PyTorch中的CNN层的属性参数

• PyTorch中的CNN前向传播实现

• 前向传播——将单个图像传递给神经网络

• 神经网络批处理——传递图像的batch

• 卷积神经网络张量变换

• 第3节：训练神经网络

• 使用PyTorch训练卷积神经网络

• 使用混淆矩阵分析CNN的结果

神经网络编程：第1部分

神经网络编程系列的第一部分包括2节内容。

第一节将介绍PyTorch及其功能，解释为什么应该首先使用PyTorch。