趋近智

所有课程

PyTorch 面向 TensorFlow 开发者

章节 1: 衔接 TensorFlow 与 PyTorch：核心要点

从 TensorFlow 到 PyTorch：开发者指南

TensorFlow 计算图与 PyTorch 动态计算的对比

张量比较：tf.Tensor 与 torch.Tensor

基础张量运算：对比视角

自动微分：GradientTape 与 Autograd 对比

NumPy 在 PyTorch 和 TensorFlow 中的结合

设备管理：CPU和GPU控制

动手实践：张量操作与自动求导

第 1 章测验

章节 2: 搭建神经网络：从 Keras 到 torch.nn

定义网络组件：Keras 层与 torch.nn.Module

模型架构：Keras API 与 PyTorch 的 nn.Module

常见层类型：对比实现

激活函数：比较与分析

PyTorch中的权重初始化方法

访问和修改模型参数及层

动手实践：构建等效模型

第 2 章测验

章节 3: 数据加载与预处理：从 tf.data 到 torch.utils.data

数据结构：tf.data.Dataset 与 torch.utils.data.Dataset

批处理与迭代：TensorFlow DataLoaders 与 PyTorch DataLoaders

数据增强：TensorFlow 方法与 torchvision.transforms

在 PyTorch 中实现自定义数据集

使用 PyTorch 变换进行数据预处理

在 PyTorch 中构建高效数据管道

动手实践：创建自定义数据集和数据加载器

第 3 章测验

章节 4: 训练与评估：Keras 方法到 PyTorch 循环的对应

训练模式：TensorFlow 的 fit 方法与 PyTorch 训练循环

TensorFlow 和 PyTorch 中的损失函数

优化算法：TensorFlow 和 PyTorch 优化器

PyTorch 中的梯度计算与权重更新

性能指标：Keras 指标与 PyTorch 对应的实现

PyTorch 中的模型评估循环

训练控制：Keras 回调与 PyTorch 自定义逻辑

动手实践：实现一个完整的训练和评估循环

第 4 章测验

章节 5: 保存、加载和部署模型

模型保存：TensorFlow 格式与 PyTorch state_dict

保存和加载完整模型与仅保存参数

PyTorch 训练中的检查点策略

在PyTorch中查看模型架构和权重

TorchScript 在模型序列化方面的简介

使用 ONNX 实现框架互操作性

TorchServe PyTorch 模型服务概览

动手实践：模型持久化与TorchScript基础

第 5 章测验

章节 6: 面向 TensorFlow 用户的高级 PyTorch 功能

理解和使用 PyTorch 钩子

分布式训练方法

使用 PyTorch AMP 进行混合精度训练

剖析 PyTorch 代码以查找性能瓶颈

PyTorch 生态系统概述：torchvision、torchaudio、torchtext

PyTorch 模型调试策略

动手实践：实现 Hook 与模型性能分析

第 6 章测验

保存、加载和部署模型的测验

测验

章节：保存、加载和部署模型

测试您对本章概念的理解并进行练习

测验说明

此测验包含 14 道问题来帮助您练习。
您需要至少获得 70% 的分数才能通过。
尝试次数：无限制。
将保留您的最高分数。
请在没有帮助的情况下尝试此测验；但是，如果需要，您可以随时参考章节笔记或使用代码解释器。
完成所有章节测验即可获得课程完成证书。了解更多

问题格式

问题设计得引人入胜，侧重于理解、应用和解释，而不是死记硬背。期待基于场景的问题，测试您应用所学知识的能力。

尝试记录

最佳分数和测验尝试将显示在这里。

© 2025 趋近智