在本模块中，您将学习如何使用 Lines 对数据进行分类，并了解 Softmax 函数的工作原理。该模块还涉及 argmax 函数及其利用。您将使用 PyTorch 中的 nn.module 包为 Softmax 创建一个自定义模块，并使用 Softmax 分类器创建一个用于执行分类的模型。您将在实验室中应用所学知识，并在测验中测试您的概念。

在本模块中，您将使用 nn.Module 和 nn.Sequential 创建一个带有隐藏层的神经网络。您将学习训练神经网络模型，以及神经元如何改进模型。该模型还将解释如何在 PyTorch 中构建具有多维输入的 Networking。此外，您还将探索 Overfitting 和 Underfitting、多类神经网络、反向传播和消失梯度。最后，您将在 PyTorch 中实现 Sigmoid、Tanh 和 Relu 激活函数。您将在实验室中应用所学知识，并在测验中测试您的概念。

本 Modulation 概述了 Pytorch 中的深度神经网络。你将学习使用 nn Module 列表在 PyTorch 中实现深度神经网络。本模块包括 Dropout、层和权重等概念。本模块还将讨论神经网络模型中未正确初始化权重的问题，以及如何解决这个问题。该模块还将探讨 PyTorch、梯度下降和 Batch 归一化中的不同初始化方法。你将在实验中应用所学知识，并在测验中测试你的概念。

本模块介绍卷积以及如何确定激活图的大小。Modulation 还包括激活函数和最大池化。此外，该模块还讨论了具有多个输入和输出通道的卷积。它总结了 PyTorch 中的卷积神经网络构造器、前向步骤和训练。您将学习图形处理单元（GPU）、CUDA、残差网络和 Resnet18 等概念。您将在实验室中应用所学知识，并在测验中测试您的概念。

在本 Module 中，您可以完成一个经 Peer-to-Peer 评审的最终项目，以展示和证明您在之前的 Module 中获得的技能