入门最佳！PyTorch深度学习免费课程（附资源）

来源：新智元

本文共1600字，建议阅读6分钟。

为你推荐一个适合碎片时间学习的关于神经网络编程和PyTorch的课程。

[ 导读 ]本文推荐一个关于神经网络编程和PyTorch的免费课程，介绍如何用PyTorch构建神经网络，并且非常接近于从头开始编写神经网络，每课均提供丰富的学习和项目资源。

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

编程经验

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。 此外，还将介绍CUDA，这是一个在Nvidia GPU上进行并行计算的软件平台。如果你对为什么深度学习首先使用GPU有疑问，CUDA的部分将介绍这些细节！

第二节全部是关于Tensor，即深度学习的数据结构。了解张量对于成为深度学习专业人士至关重要，因此这部分将详细介绍。

当然，我们将使用PyTorch，但是我们在本节中学到的概念和操作对于理解神经网络是必要的，并且将适用于任何深度学习框架。

神经网络编程：第2部分

神经网络编程系列的第二部分将带领学习者开始构建第一个深度学习项目。

第二部分由三节内容组成。

第一部分将涵盖深度学习的数据和数据处理，以及这些与你的深度学习项目的关系。由于张量是深度学习的数据结构，我们将利用从第一部分中学到的有关张量的所有知识。我们将介绍要用于构建用于图像分类的卷积神经网络的Fashion-MNIST数据集。

我们将学习如何使用PyTorch数据集和数据加载器来简化数据预处理和训练过程。

第二部分的第二节全部是关于构建神经网络的。我们将使用PyTorch构建卷积神经网络，非常接近于从头构建神经网络。本节也是深度学习基础知识系列最常用的地方，因为涵盖了的许多概念的实现。

第三节将展示如何通过构建训练循环来训练神经网络，优化网络的权重以适合我们的数据集。训练循环是使用实际的Python循环构建的。

项目预览：使用PyTorch训练CNN

我们的第一个项目将包括以下组件：

• Python imports

• 数据：使用PyTorch Dataset和DataLoader类的ETL

• 模型：卷积神经网络

• 训练：training loop

• 分析：使用混淆矩阵

在这一系列课程结束时，我们将对这个项目有一个完整的理解，更深入地了解深度学习和神经网络。