PyTorch Prerequisites - Syllabus for Neural Network Programming Series

PyTorch先決條件 - 神經網路程式設計系列教學大綱

每個人都在發生什麼事？歡迎來到PyTorch神經網路程式設計系列。

在這篇文章中，我們將看看做好最佳準備所需的先決條件。 我們將對該系列進行概述，並對我們將要開展的專案進行預覽。 這將使我們對我們將要學習什麼以及在系列結束時我們將擁有哪些技能有一個很好的瞭解。 不用多說，讓我們直接瞭解細節。

此係列需要兩個主要先決條件：

1、程式設計經驗
2、神經網路經驗

讓我們來看看對於這兩個類別我們需要知道哪些東西：

程式設計經驗

這個神經網路程式設計系列將專注於使用Python和PyTorch程式設計神經網路。

沒有必要事先了解Python。 但是，理解程式設計通常是必需的。 任何程式設計經驗或對變數，物件和迴圈等這些概念有些瞭解都足以學習本系列教程。

神經網路經驗

在本系列中，我們將使用PyTorch，我們將會發現，pytorch是用python來寫的，一個非常精簡的深度學習神經網路API.

這意味著，從程式設計的角度來看，我們將非常接近於從頭開始程式設計神經網路。 因此，瞭解神經網路和深度學習基礎知識肯定是有益的。 這不是一項要求，而是推薦先去學習深度學習基礎系列教程。

神經網路程式設計系列教學大綱

對於這個系列教程，共有兩個部分。我們來看看每個部分的詳細內容：

第一部分：pytorch和tensor

　　第一節：介紹pytorch

　　　　　　pytorch的先決條件：神經網路程式設計系列

　　　　　　pytorch用途：python深度學習神經網路API

　　　　　　pytorch的安裝：快速簡單

　　　　　　CUDA的用途：為什麼深度學習需要使用GPU

　　第二節：介紹tensor

　　　　　　tensor的用途：深度學習的資料結構

　　　　　　維度、軸、形狀解釋-深度學習之張量

　　　　　　CNN的張量形狀解釋：CNN和特徵圖

　　第三節：pytorch之tensor

　　　　　　pytorch的tensor解釋-神經網路程式設計

　　　　　　為深度學習建立pytorch tensor-最優的選擇

　　第四節：tensor操作

　　　　　　展平、重塑、擠壓解釋-深度學習之tensor

　　　　　　CNN展平操作視覺化-tensor批處理

　　　　　　深度學習的tensor-對映與元素操作

　　　　　　ArgMax and Reduction Ops - Tensors for Deep Learning

第二部分：pytorch之神經網路和深度學習

　　第一節：資料和資料處理

　　　　深度學習中資料的重要性-AI中流行的MNIST

　　　　提取、轉化、載入-深度學習資料準備

　　　　pytorch的DataSethe DataLoader-探索訓練集

　　第二節：神經網路和深度學習

　　　　使用pytorch搭建CNN-面向物件神經網路

　　　　pytorch CNN層-神經網路架構

　　　　pytorch實現CNN的前向傳播

　　　　前向傳播解釋|向神經網路傳遞單張影象

　　　　神經網路批處理|傳遞批影象
　　　　卷積神經網路tensor轉化

　　第三節：訓練神經網路

　　　　使用pytorch訓練卷積神經網路

　　　　用混淆矩陣分析神經網路的輸出結果