趋近智

所有课程

章节 1: PyTorch 入门与环境搭建

PyTorch 是什么？

安装与环境配置

基本张量操作

与 NumPy 的关联

动手实践：环境配置与张量基本操作

章节 2: 高级张量操作

张量索引与切片

张量的重塑与维度调整

张量的合并与分割

理解广播机制

张量数据类型

CPU 与 GPU 张量

练习：张量操作技巧

章节 3: Autograd 自动微分

自动微分的原理

PyTorch 计算图

张量与梯度计算 (requires_grad)

执行反向传播 (backward())

访问梯度（.grad）

禁用梯度追踪

动手实践：Autograd 运用

章节 4: 使用 torch.nn 搭建模型

torch.nn.Module 基类

定义自定义网络架构

常见层：线性、卷积、循环

激活函数 (ReLU, Sigmoid, Tanh)

简单模型的顺序容器

损失函数 (torch.nn 损失)

优化器 (torch.optim)

练习：构建一个简单网络

章节 5: 高效数据处理

对专用数据加载器的需求

使用 torch.utils.data.Dataset

内置数据集（例如：TorchVision）

数据变换 (torchvision.transforms)

使用 torch.utils.data.DataLoader

自定义DataLoader用法

动手实践：构建数据处理流程

章节 6: 实现训练循环

训练循环的构成

设置模型、损失函数和优化器

使用 DataLoader 遍历数据

前向传播：获取预测结果

反向传播：计算梯度

使用优化器更新权重

实现评估循环

保存和加载模型检查点

动手实践：完整训练流程

章节 7: 常用模型结构介绍

卷积神经网络 (CNN) 概述

在PyTorch中构建一个简单的CNN

理解CNN层的输入/输出形状

循环神经网络 (RNN) 概述

在PyTorch中构建一个简单的RNN

循环神经网络（RNN）的序列数据输入处理

LSTM 和 GRU 简要介绍

实践：实现基本CNN和RNN

章节 8: 监控与调试模型

PyTorch开发中常见错误

调试张量形状不匹配

检查设备放置 (CPU/GPU)

检查梯度问题（消失/爆炸）

使用 TensorBoard 可视化训练进度

训练/评估期间的指标记录

在 PyTorch 中使用 Python 调试器 (pdb)

实践：调试与可视化

在PyTorch中构建一个简单的CNN

这部分内容有帮助吗？

参考文献

Gradient-Based Learning Applied to Document Recognition, Yann LeCun, Léon Bottou, Yoshua Bengio, and Patrick Haffner, 1998 Proceedings of the IEEE, Vol. 86 (IEEE) DOI: 10.1109/5.726791 - 一篇开创性的论文，介绍了LeNet-5，这是一种具有里程碑意义的卷积神经网络架构，为CNN的许多核心概念奠定了基础，包括用于图像分类的卷积层、池化层和全连接层。这与本文讨论的简单CNN直接相关。
torch.nn, PyTorch Developers, 2024 (PyTorch Foundation) - PyTorch官方torch.nn模块文档，提供了神经网络的构建模块，包括示例中使用的nn.Conv2d、nn.MaxPool2d、nn.ReLU和nn.Linear层。
Deep Learning, Ian Goodfellow, Yoshua Bengio, and Aaron Courville, 2016 (MIT Press) - 一本内容全面的教材，提供了深度学习的理论基础，其中第九章专门介绍了卷积网络，详细解释了其原理、层和操作。
Learn the Basics: Building the Neural Network, Suraj Subramanian, Seth Juarez, Cassie Breviu, Dmitry Soshnikov, Ari Bornstein, 2021 (PyTorch) - 一个PyTorch官方教程，指导用户使用torch.nn.Module和本节讨论的层构建神经网络，包括一个简单的CNN，从而加强实际操作。

© 2025 ApX Machine Learning