基于PyTorch深度学习技术及实践应用
添加文末课程专员了解详情
培训时间：8月16日-8月18日 培训方式：线上直播
通过本次培训的学习，学员将会掌握Python及PyTorch处理图像、时间序列、视频流等数据的处理方法和技巧，掌握各种经典机器学习和深度学习方法的基本原理及代码实现方法，掌握提炼与挖掘创新点的方法，以及掌握各种科研必备工具（无障碍访问国外网站、文献与代码的检索与下载、文献管理、代码调试、论文撰写、审稿意见回复、项目申报书撰写等）的使用技巧。
主讲专家
郁磊副教授：长期从事Python、Matlab机器学习及深度学习等研究工作，具备良好的数学及信号处理基础，熟悉如神经网络、支持向量机、决策树、随机森林等，以及群优 化算法，如遗传算法、蚁群算法、蝙蝠算法等，近些年一直在对深度学习核心技术进行研究，主持参与多项相关重点项目研发及基因项目，且精通多种编程工具，如 MATLAB、Python、 C++、C#、VB、Java、Qt 等。熟悉各种时域、频域和非线性分析方法，如傅里叶变换、小波变换、李雅普诺夫指数、 多尺度熵、压缩感知等，以及各种特征选择与降维方法，如主成分分析、随机投影、互信息、 非负矩阵分解、稀疏优化等。熟悉数据库及网络编程，擅长 Apache + MySQL + PHP 架构开发，以及移动端 Android App 开发等。熟悉可穿戴设备硬件系统的开发，具备心电、肌电、血压、血氧饱和度、惯性传感器等 生理信号采集系统的开发经验。同时，熟悉常用的无线传感器网络通信协议，如 ZigBee、 Wifi、Bluetooth 等。开展Python相关课程多大百余场，发布多篇论文并著有《神经网络 43 个案例分析》和《智能算法 30 个案例分析（第二版）》等。
教学特色
1、原理深入浅出的讲解；
2、技巧方法讲解，提供所有案例数据及代码；
3、与项目案例相结合讲解实现方法，对接实际工作应用 ；
4、跟学上机操作、独立完成案例操作练习、全程问题跟踪解析；
5、课程结束专属助学群辅助巩固学习及实际工作应用交流，不定期召开线上答疑；
培训目标
1. 掌握Python基础编程及常用的科学计算模块库的使用方法 2. 掌握主流的深度学习框架直接的区别与联系
3. 掌握PyTorch深度学习框架的安装与环境配置方法
4. 掌握张量（Tensor）的定义、创建方法、运算、索引操作等
5. 掌握PyTorch的动态计算图与自动求导（Autograd）机制
6. 掌握PyTorch常用工具包及API（torchvision、torch.nn、torch.optim、torch.utils等）的使用方法
7. 掌握前向型神经网络的基本原理、代码实现，以及模型参数优化、模型评价等方法与技巧
8. 掌握卷积神经网络的基本原理、进化史、代码实现、案例实战
9. 掌握PyTorch Lightning的安装、使用方法
10. 掌握迁移学习的基本原理、代码实现、案例实战
11. 掌握生成式对抗网络的基本原理、代码实现、案例实战
12. 掌握RNN、LSTM的基本原理、代码实现、案例实战
13. 掌握目标检测YOLO模型的基本原理、代码实现、案例实战
14. 通过实操培训掌握各种编程技巧
15. 解决学员实际工作中的疑难问题
课程大纲
时间 | 课程 | 主要内容 |
第一天 | 第一章 Python基础 知识串讲 | 1、Python环境搭建（Python软件下载、安装与版本选择；PyCharm下载、安装；Python之Hello World；第三方模块的安装与使用；Python 2.x与Python 3.x对比） 2、Python基本语法（Python变量命名规则；Python基本数学运算；Python常用变量类型的定义与操作；Python程序注释） 3、Python流程控制（条件判断；for循环；while循环；break和continue关键字；嵌套循环与可变循环） 4、Python函数与对象（函数的定义与调用；函数的参数传递与返回值；变量作用域与全局变量；对象的创建与使用） 5、Matplotlib的安装与图形绘制（设置散点、线条、坐标轴、图例、注解等属性；绘制多图；图的嵌套） 6、科学计算模块库（Numpy的安装；ndarray类型属性与数组的创建；数组索引与切片；Numpy常用函数简介与使用） |
第二章 PyTorch简介与环 境搭建 | 1、深度学习框架概述（PyTorch、Tensorflow、Keras等） 2、PyTorch简介（PyTorch的版本、动态计算图与静态计算图机制、PyTorch的优点） 3、PyTorch的安装与环境配置（Pip vs. Conda包管理方式、验证是否安装成功） | |
第三章 PyTorch编程入门 与进阶 | 1、张量（Tensor）的定义，以及与标量、向量、矩阵的区别与联系） 2、张量（Tensor）的常用属性与方法（dtype、device、layout、requires_grad、cuda()等） 3、张量（Tensor）的创建（直接创建、从numpy创建、依据数值创建、依据概率分布创建） 4、张量（Tensor）的运算（加法、减法、矩阵乘法、哈达玛积（element wise）、除法、幂、开方、指数与对数、近似、裁剪） 5、张量（Tensor）的索引与切片 6、PyTorch的自动求导（Autograd）机制与计算图的理解 7、PyTorch常用工具包及API简介（torchvision（transforms、datasets、model）、torch.nn、torch.optim、torch.utils（Dataset、DataLoader）） | |
第二天 | 第四章 PyTorch前向型 神经网络 | 1、BP神经网络的基本原理（人工神经网络的分类有哪些？有导师学习和无导师学习的区别是什么？BP神经网络的拓扑结构和训练过程是怎样的？什么是梯度下降法？BP神经网络建模的本质是什么？） 2、BP神经网络的Python代码实现（怎样划分训练集和测试集？为什么需要归一化？归一化是必须的吗？什么是梯度爆炸与梯度消失？） 3、PyTorch代码实现神经网络的基本流程（Data、Model、Loss、Gradient）及训练过程（Forward、Backward、Update） 4、案例演示：Linear模型、Logistic模型、Softmax函数输出、BP神经网络 5、实操练习 6、值得研究的若干问题（隐含层神经元个数、学习率、初始权值和阈值等如何设置？什么是交叉验证？过拟合（Overfitting）与欠拟合(Underfitting)、泛化性能评价指标的设计、样本不平衡问题、模型评价与模型选择（奥卡姆剃刀定律）等） |
第五章 PyTorch 卷积神经网络 | 1、深度学习简介（深度学习大事记：Model + Big Data + GPU + AlphaGo） 2、深度学习与传统机器学习的区别与联系（神经网络的隐含层数越多越好吗？深度学习与传统机器学习的本质区别是什么？） 2、卷积神经网络的基本原理（什么是卷积核？CNN的典型拓扑结构是怎样的？CNN的权值共享机制是什么？CNN提取的特征是怎样的？） 3、卷积神经网络的进化史：LeNet、AlexNet、Vgg-16/19、GoogLeNet、ResNet等经典深度神经网络的区别与联系 4、利用PyTorch构建卷积神经网络（Convolution层、Batch Normalization层、Pooling层、Dropout层、Flatten层等） 5、案例讲解：（1）CNN预训练模型实现物体识别 （2）利用卷积神经网络抽取抽象特征 （3）自定义卷积神经网络拓扑结构 6、实操练习 7、PyTorch Lightning简介与快速入门（PyTorch Lightning与PyTorch的联系、PyTorch Lightning安装、案例演示） | |
第三天 | 第六章 PyTorch迁移学习 | 1、迁移学习算法的基本原理（为什么需要迁移学习？为什么可以迁移学习？迁移学习的基本思想是什么？） 2、基于深度神经网络模型的迁移学习算法 3、案例讲解：猫狗大战（Dogs vs. Cats） 4、实操练习 |
第七章 PyTorch生成式 对抗网络 | 1、生成式对抗网络GAN（什么是对抗生成网络？为什么需要对抗生成网络？对抗生成网络可以帮我们做什么？GAN给我们带来的启示） 2、GAN的基本原理及GAN进化史 3、案例讲解：GAN的PyTorch代码实现（手写数字生成） 4、实操练习 | |
第八章 PyTorch RNN与LSTM | 1、循环神经网络RNN的基本工作原理 2、长短时记忆网络LSTM的基本工作原理 3、案例讲解：时间序列预测（北京市污染物预测） 4、实操练习 | |
第九章 PyTorch目标检测 | 1、什么是目标检测？目标检测与目标识别的区别与联系 2、YOLO模型的工作原理，YOLO模型与传统目标检测算法的区别 3、案例讲解：（1）利用预训练好的YOLO模型实现目标检测 （2）数据标注演示 （3）训练自己的目标检测数据集 4、实操练习 | |
第十章 复习与答疑讨论 | 1、课程相关资料拷贝与分享 2、答疑与讨论（大家提前把问题整理好） |
如您对以上课程感兴趣，可添加下方课程专员获取课程文件
END
Ai尚研修丨专注科研领域
技术推广，人才招聘推荐，科研活动服务
科研技术云导师，Easy Scientific Research