Pytoch1.0深度学习如何玩？这一门含900页ppt和代码实例的深度学习课程带你飞

【导读】近日，在 NeurIPS 2018 大会上，Facebook 官方宣布 PyTorch 1.0 正式版发布了。如何用Pytorch1.0搞深度学习？对很多小白学生是个问题。瑞士非盈利研究机构 Idiap Research Institute的研究员FRANÇOIS FLEURET开设了一门深度学习课程(2019年秋季)，详细结合深度学习与最新Pytorch1.0来为你细致讲解，是学习Pytorch1.0深度学习不可多得的材料。

课程网址：

https://fleuret.org/ee559/

900页课程PPT下载：

请关注专知公众号（扫一扫最下面专知二维码，或者点击上方蓝色专知），

• 后台回复“DLPY10” 就可以获取深度学习课程PPT下载链接~ 

Francois Fleuret于2000年获得巴黎第六大学数学博士学位，2006年获得巴黎第十三大学数学博士学位。他是瑞士Idiap研究所计算机视觉和学习小组的负责人。在此之前，他曾在美国芝加哥大学、法国信息与自动化研究所(INRIA)和瑞士洛桑联邦理工学院(EPFL)任职。他是IEEE模式分析和机器智能交易的副主编，也是几个欧洲资助机构的专家。

深度学习课程概述 

本课程的目标是提供深度机器学习的完整讲解。如何设计一个神经网络，如何训练它，以及有哪些现有技术专门处理非常大的网络结构。本课程旨在教授应用问题的深度学习方法所需的技能。

课程计划内容:

1. 什么是深度学习，张量介绍。

2. 基本机器学习，经验风险最小化，简单嵌入。

3. 线性可分性，多层感知器，反向传播。

4. 通用网络，autograd，批处理，卷积网络。

5. 初始化、优化和正则化。Dropout，激活归一化，跳过连接。

6. 计算机视觉的深层模型。

7. 深入模型分析。

8. 自编码器，嵌入式和生成模型。

9. 循环模型和自然语言处理。

10. pytorch张量，深度学习模块，和内部构件。

深度学习课程导读 

1. 绪论

1.1 从神经网络到深度学习，21页slides



1.2 当前成功应用的实例 22页slides






1.3 正在发生什么？ (13页slides)



1.4  张量基础和线性回归 12 页slides



1.5 高维张量. 15页slides




1.6 张量内部 5页slides









2. 机器学习基础


    2.1 损失函数与风险. 15页slides



    2.2 过拟合与欠拟合. 24页slides



    2.3 方差-偏差困境 10页slides



    2.4 合适评价方法 6页slides



    2.5 基本聚类与嵌入方法19页slides



3. 多层感知器和反向传播

    3.1 感知器。(幻灯片，讲义- 16张)



    3.2 线性分类器的概率视图。(幻灯片，讲义- 8张)




    3.3 线性可分性与特征设计。(幻灯片，讲义- 10张)




    3.4 多层感知器。(幻灯片，讲义- 10张)







    3.5 梯度下降法。(幻灯片，讲义- 13张)







    3.6 反向传播。(幻灯片，讲义- 11张)







4. 操作符、autograd和卷积层的图操作

    4.1 DAG网络。(幻灯片，讲义- 11张)



    4.2 Autograd。(幻灯片，讲义- 19张)



    4.3 PyTorch模块和批处理。(幻灯片，讲义- 14张)



    4.4 卷积。(幻灯片，讲义- 23张)



    4.5 池化(幻灯片，讲义- 7张)



    4.6 编写一个PyTorch模块。(幻灯片，讲义- 10张)



1. 5. 初始化和优化。

    5.1 交叉熵损失。(幻灯片，讲义- 9张)



2.     5.2 随机梯度下降法。(幻灯片，讲义- 17张)

3. 

    5.3 PyTorch优化。(幻灯片，讲义- 8张)



    5.3 L1和L2 惩罚项。(幻灯片，讲义- 10张)



    5.4 参数初始化。(幻灯片，讲义- 22张)



    5.5 网络架构选择和训练协议。(幻灯片，讲义- 9张)



    5.6 写一个autograd函数。(幻灯片，讲义- 7张)



4. 6. 搞更深

    6.1 深度的好处。(幻灯片，讲义- 9张)



    6.2 修正器。(幻灯片，讲义- 7张)






    6.3 Dropout (幻灯片，讲义- 12张)






5.     6.4 批处理归一化。(幻灯片，讲义- 15张)

6. 

7.     6.5 残差网络。(幻灯片，讲义- 21张)

8. 

9.     6.6 使用gpu。(幻灯片，讲义- 17张)

10. 

11. 7 计算机视觉。

    7.1计算机视觉任务。(幻灯片，讲义- 15张)



    7.2 用于图像分类的网络。(幻灯片，讲义- 36张)






    7.3 用于目标检测的网络。(幻灯片，讲义- 15张)








    7.4 用于语义分割的网络。(幻灯片，讲义- 8张)



    7.5 DataLoader和神经。(幻灯片，讲义- 13张)



8. 关键技巧方法处理

    8.1 看参数。(幻灯片，讲义- 11张)






    8.2 激活。(幻灯片，讲义- 21张)






    8.3 可视化输入中的处理。(幻灯片，讲义- 26张)






    8.4 优化输入。(幻灯片，讲义- 25张)



9. 自编码器和生成模型。

    9.1 转置运算。(幻灯片，讲义- 14张)



    9.2 Autoencoders。(幻灯片，讲义- 20张)



    9.3 去噪和变分自编码器。(幻灯片，讲义- 24张)



    9.4  Non-volume保存网络。(幻灯片，讲义- 24张)



10. 生成对抗模型。

    10.1 生成对抗的网络。(幻灯片，讲义- 29张)



    10.2 Wasserstein  GAN。(幻灯片，讲义- 16张)



    10.3 条件GAN和图像转换。(幻灯片，讲义- 27张)



    10.4 模型持久性和检查点。(幻灯片，讲义- 9张)



11 循环模型与NLP

    11.1 循环神经网络 (slides, handout – 23 slides)



    11.2 LSTM 和 GRU. (slides, handout – 17 slides)



    11.3 Word embeddings 与translation. (slides, handout – 31 slides)

 

-END-

专 · 知

人工智能领域26个主题知识资料全集获取与加入专知人工智能服务群: 欢迎微信扫一扫加入专知人工智能知识星球群，获取专业知识教程视频资料和与专家交流咨询！

请PC登录www.zhuanzhi.ai或者点击阅读原文，注册登录专知，获取更多AI知识资料！

请加专知小助手微信（扫一扫如下二维码添加），加入专知主题群（请备注主题类型：AI、NLP、CV、 KG等）交流~

 AI 项目技术 & 商务合作：bd@zhuanzhi.ai, 或扫描上面二维码联系！

请关注专知公众号，获取人工智能的专业知识！

点击“阅读原文”，使用专知