3.1. Pytorch 快速入门

• 3.1.1. 1.1 Pytorch 简介
  • 3.1.1.1. 1.1.1 PyTorch的由来
  • 3.1.1.2. 1.1.2 Torch是什么？
  • 3.1.1.3. 1.1.3 重新介绍 PyTorch
  • 3.1.1.4. 1.1.4 对比PyTorch和Tensorflow
  • 3.1.1.5. 1.1.5 再次总结
• 3.1.2. 1.2 Pytorch环境搭建
• 3.1.3. 1.2.1 安装Pytorch
  • 3.1.3.1. 1.2.2 配置 Jupyter Notebook
  • 3.1.3.2. 1.2.3 测试
  • 3.1.3.3. 1.2.4 问题解决
• 3.1.4. PyTorch 深度学习:60分钟快速入门 （官方）
  • 3.1.4.1. 目录
  • 3.1.4.2. 说明
• 3.1.5. 相关资源列表
• 3.1.6. PyTorch是什么?
  • 3.1.6.1. 开始
  • 3.1.6.2. NumPy 转换
  • 3.1.6.3. 所有的 Tensor 类型默认都是基于CPU， CharTensor 类型不支持到 NumPy 的转换. CUDA 张量
• 3.1.7. Autograd: 自动求导机制
  • 3.1.7.1. 张量（Tensor）
  • 3.1.7.2. 梯度
• 3.1.8. Neural Networks
  • 3.1.8.1. 定义网络
  • 3.1.8.2. 损失函数
  • 3.1.8.3. 反向传播
  • 3.1.8.4. 更新权重
• 3.1.9. 训练一个分类器
  • 3.1.9.1. 关于数据？
  • 3.1.9.2. 训练一个图像分类器
  • 3.1.9.3. 在GPU上训练
  • 3.1.9.4. 多GPU训练
  • 3.1.9.5. 下一步？
• 3.1.10. 数据并行（选读）
  • 3.1.10.1. 导入和参数
  • 3.1.10.2. 虚拟数据集
  • 3.1.10.3. 简单模型
  • 3.1.10.4. 创建一个模型和数据并行
  • 3.1.10.5. 运行模型
  • 3.1.10.6. 结果
  • 3.1.10.7. 总结
• 3.1.11. PyTorch 中文手册第一章 ： PyTorch入门
  • 3.1.11.1. 目录
• 3.1.12. PyTorch 基础 : 张量
  • 3.1.12.1. 张量(Tensor)
• 3.1.13. 使用PyTorch计算梯度数值
  • 3.1.13.1. Autograd
  • 3.1.13.2. 简单的自动求导
  • 3.1.13.3. 复杂的自动求导
  • 3.1.13.4. Autograd 过程解析
  • 3.1.13.5. 扩展Autograd
• 3.1.14. PyTorch 基础 : 神经网络包nn和优化器optm
  • 3.1.14.1. 定义一个网络
  • 3.1.14.2. 损失函数
  • 3.1.14.3. 优化器
• 3.1.15. PyTorch 基础 :数据的加载和预处理
  • 3.1.15.1. Dataset
  • 3.1.15.2. Dataloader
  • 3.1.15.3. torchvision 包
• 3.1.16. 2.2 深度学习基础及数学原理
  • 3.1.16.1. 2.2.1 监督学习和无监督学习
  • 3.1.16.2. 2.2.2 线性回归 （Linear Regreesion）
  • 3.1.16.3. 2.2.3 损失函数(Loss Function)
  • 3.1.16.4. 2.2.4 梯度下降
  • 3.1.16.5. 2.2.5 方差/偏差
  • 3.1.16.6. 2.2.6 正则化
• 3.1.17. 2.3 神经网络简介
  • 3.1.17.1. 概述
  • 3.1.17.2. 神经网络的表示
  • 3.1.17.3. 激活函数
  • 3.1.17.4. 深入理解前向传播和反向传播
• 3.1.18. 2.4 卷积神经网络简介
  • 3.1.18.1. 2.4.1 为什么要用卷积神经网络
  • 3.1.18.2. 2.4.2结构组成
  • 3.1.18.3. 2.4.3 经典模型
• 3.1.19. 2.5 循环神经网络
  • 3.1.19.1. 2.5.1 RNN简介
  • 3.1.19.2. 2.5.2 RNN的网络结构及原理
  • 3.1.19.3. 2.5.3 循环网络的向后传播（BPTT）
  • 3.1.19.4. 2.5.4 词嵌入（word embedding）
  • 3.1.19.5. 2.5.5 其他重要概念
• 3.1.20. Pytorch 中文手册第二章 ： 基础
  • 3.1.20.1. 目录
• 3.1.21. 3.1 logistic回归实战
  • 3.1.21.1. 3.1.1 logistic回归介绍
  • 3.1.21.2. 3.1.2 UCI German Credit 数据集
  • 3.1.21.3. 3.2 代码实战
• 3.1.22. 3.2 MNIST数据集手写数字识别
  • 3.1.22.1. 3.2.1 数据集介绍
  • 3.1.22.2. 3.2.2 手写数字识别
• 3.1.23. 3.3 通过Sin预测Cos
• 3.1.24. Pytorch 中文手册第三章 ： 实践
  • 3.1.24.1. 目录
• 3.1.25. 4.1 Fine tuning 模型微调
  • 3.1.25.1. 4.1.1 什么是微调
  • 3.1.25.2. 4.1.2 如何微调
  • 3.1.25.3. 4.1.3 注意事项
  • 3.1.25.4. 4.1.3 微调实例
  • 3.1.25.5. 4.1.4 固定层的向量导出
• 3.1.26. 4.2.1 使用Visdom在 PyTorch 中进行可视化
  • 3.1.26.1. 安装
  • 3.1.26.2. 坑
  • 3.1.26.3. 基本概念
  • 3.1.26.4. Panes
  • 3.1.26.5. 可视化接口
  • 3.1.26.6. 使用
  • 3.1.26.7. 更新损失函数
• 3.1.27. 4.2.2 使用Tensorboard在 PyTorch 中进行可视化
  • 3.1.27.1. Tensorboard 简介
  • 3.1.27.2. Tensorboard 安装
  • 3.1.27.3. 页面
  • 3.1.27.4. 使用
• 3.1.28. 4.2.3 可视化理解卷积神经网络
  • 3.1.28.1. 背景
  • 3.1.28.2. 基于Deconvolution的方法
• 3.1.29. 基于Backpropagation的方法
  • 3.1.29.1. Guided-Backpropagation
  • 3.1.29.2. CAM（Class Activation Map）
  • 3.1.29.3. Grad-CAM
• 3.1.30. 4.3 fastai
  • 3.1.30.1. 4.3.1 fastai介绍
  • 3.1.30.2. 4.3.2 fastai实践
  • 3.1.30.3. 4.3.3 fastai文档翻译
• 3.1.31. 4.5 多GPU并行训练
  • 3.1.31.1. 4.5.1 torch.nn.DataParalle
  • 3.1.31.2. 4.5.2 torch.distributed
  • 3.1.31.3. 4.5.3 torch.utils.checkpoint
• 3.1.32. 在PyTorch中使用DistributedDataParallel进行多GPU分布式模型训练
  • 3.1.32.1. 什么是分布式训练?
  • 3.1.32.2. 数据并行是如何工作的
  • 3.1.32.3. 数据分发，第1部分:流程初始化
  • 3.1.32.4. 数据分发，第2部分:流程同步
  • 3.1.32.5. 那DataParallel呢？
  • 3.1.32.6. 基准测试
  • 3.1.32.7. 结论
• 3.1.33. Pytorch 中文手册第四章 ： 提高
  • 3.1.33.1. 目录
  • 3.1.33.2. 第一节 Fine-tuning
  • 3.1.33.3. 第二节 可视化
  • 3.1.33.4. 第三节 Fast.ai
  • 3.1.33.5. 第五节 多GPU并行训练
  • 3.1.33.6. 补充翻译文章：在PyTorch中使用DistributedDataParallel进行多GPU分布式模型训练
• 3.1.34. 5.1 kaggle介绍
  • 3.1.34.1. 5.1.1 Kaggle
  • 3.1.34.2. 5.1.2 Kaggle板块介绍
  • 3.1.34.3. 5.1.3 Kaggle竞赛的排名机制
  • 3.1.34.4. 5.1.4 Kaggle薅羊毛指南
  • 3.1.34.5. 5.1.5 其他的一些数据竞赛平台
• 3.1.35. 5.2 Pytorch处理结构化数据
  • 3.1.35.1. 简介
  • 3.1.35.2. 数据预处理
  • 3.1.35.3. 定义数据集
  • 3.1.35.4. 定义模型
  • 3.1.35.5. 训练
• 3.1.36. Fashion MNIST进行分类
  • 3.1.36.1. Fashion MNIST 介绍
  • 3.1.36.2. 数据集介绍
  • 3.1.36.3. 数据加载
  • 3.1.36.4. 创建网络
  • 3.1.36.5. 损失函数
  • 3.1.36.6. 优化器
  • 3.1.36.7. 开始训练
  • 3.1.36.8. 训练后操作
  • 3.1.36.9. 模型评估
  • 3.1.36.10. 进一步优化
  • 3.1.36.11. 再次进行评估
  • 3.1.36.12. 总结
• 3.1.37. Pytorch 中文手册第五章 ： 应用
  • 3.1.37.1. 目录
  • 3.1.37.2. 第一节 Kaggle介绍
  • 3.1.37.3. 第二节 结构化数据
  • 3.1.37.4. 第三节 计算机视觉
  • 3.1.37.5. 第四节 自然语言处理
  • 3.1.37.6. 第五节 协同过滤