趋近智
PyTorch入门
章节 1: PyTorch 入门与环境搭建
PyTorch 是什么？
安装与环境配置
张量介绍
创建张量
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
梯度累积
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
计算损失
反向传播：计算梯度
使用优化器更新权重
梯度清零
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
循环神经网络 (RNN) 概述
这部分内容有帮助吗？
- Deep Learning, Ian Goodfellow, Yoshua Bengio, and Aaron Courville, 2016 (MIT Press) - 对循环神经网络进行了广泛的学术讨论，涵盖其架构、训练方法和变体。
- RNN - PyTorch 2.3 documentation, PyTorch Development Team, 2024 (PyTorch Foundation) - PyTorch
nn.RNN模块的官方文档，展示了如何在 PyTorch 中实现基本的循环层。 - Long Short-Term Memory, Sepp Hochreiter and Jürgen Schmidhuber, 1997 Neural Computation, Vol. 9 (The MIT Press) DOI: 10.1162/neco.1997.9.8.1735 - 这篇论文介绍了长短期记忆 (LSTM) 网络，它提升了 RNN 在长序列中保留信息的能力。
- Learning long-term dependencies with gradient descent is difficult, Yoshua Bengio, Patrice Simard, and Paolo Frasconi, 1994 IEEE Transactions on Neural Networks, Vol. 5 DOI: 10.1109/72.279181 - 一篇开创性论文，指出了循环神经网络在学习长程模式时存在的梯度消失和梯度爆炸问题。