使用 PyTorch 进行深度学习

本课程是多个项目的一部分。

位教师：Professionals from the Industry

访问权限由 Coursera Learning Team 提供

4个模块

深入了解一个主题并学习基础知识。

中级等级

推荐体验

3 周完成

在 10 小时一周

灵活的计划

自行安排学习进度

4个模块

深入了解一个主题并学习基础知识。

中级等级

推荐体验

3 周完成

在 10 小时一周

灵活的计划

自行安排学习进度

您将获得的技能

要了解的详细信息

可分享的证书

添加到您的领英档案

作业

17 项作业

授课语言：英语（English）

了解顶级公司的员工如何掌握热门技能

了解关于 Coursera for Business 的更多信息

Petrobras, TATA, Danone, Capgemini, P&G 和 L'Oreal 的徽标

积累特定领域的专业知识

此课程作为的一部分提供

在注册此课程时，您还需要选择一个特定的合作项目。

向行业专家学习新概念
获得对主题或工具的基础理解
通过实践项目培养工作相关技能
获得可共享的职业证书

该课程共有4个模块

本课程使用领先的开源框架 PyTorch 全面而实用地介绍了深度学习。学习者将扎实地理解神经网络、激活函数、前向和后向传播以及优化算法等基础概念。通过结构化的循序渐进，课程将涵盖感知器、多层网络、卷积神经网络 (CNN)、递归神经网络 (RNN)、长短期记忆 (LSTM) 模型和变形器等基本架构。学员将把这些模型应用到计算机视觉和自然语言处理的实际任务中，获得训练、评估和优化深度学习系统的经验。此外，还将探讨迁移学习、正则化、批量归一化、混合精度训练、注意机制和模型剪枝等高级主题，帮助学员建立既准确又高效的模型。课程结束时，学员将掌握在 PyTorch 中设计和实施深度学习解决方案所需的技能和工具，以满足广泛的实际应用需求。

在本 Modulation 中，您将熟悉深度学习的基本原理，并使用 PyTorch 构建第一个神经网络。你将研究神经元如何协同工作来识别模式，探索 PyTorch 的 Tensor 功能，并获得实现前馈网络的实践经验。通过实践练习，您将了解神经网络背后的数学知识，同时掌握实用技能，为学习更高级的技术打下基础。

涵盖的内容

13个视频6篇阅读材料5个作业4个非评分实验室

13个视频总计72分钟

欢迎来到 PyTorch 的 Deep Learning：您将构建的内容及其重要性2分钟
构建神经网络，实现前传可视化8分钟
用 Autograd 可视化后向传递和梯度流5分钟
在 PyTorch 中构建 Perceptron 前向传递器6分钟
用感知器学习规则训练感知器5分钟
PyTorch 中的 Tensor 入门9分钟
在 PyTorch 中重塑 Tensor 和使用 GPU9分钟
使用 .backward() 和解释梯度4分钟
控制梯度的反向传播8分钟
使用 nn.Module 和 nn.Sequential 定义多层感知器7分钟
运行前传和探索模型能力2分钟
构建神经网络的训练 Loop4分钟
评估模型性能和绘制结果图4分钟

6篇阅读材料总计44分钟

什么是 Deep Learning，神经网络如何工作？7分钟
Perceptron 学习规则和权重更新7分钟
什么是 Tensor 及其重要性6分钟
Tensor 操作和最佳实践6分钟
了解深度学习中的损失函数8分钟
Optimization 入门：模型如何学习10分钟

5个作业总计90分钟

利用 PyTorch 掌握深度学习基础30分钟
知识检查 - 神经网络基础15分钟
知识检查 - 感知器和权重更新15分钟
知识检查 - 张量和 Autograd15分钟
知识检查 - 建立和培训 FNN15分钟

4个非评分实验室总计240分钟

实验室 - 从零开始构建并可视化 Perceptron60分钟
实验室 - 自建用于 Binary 分类的 Perceptron60分钟
实验室 - Operator 操作、梯度和 GPU 实践60分钟
实验室 - 训练用于手写数字分类的 MLP60分钟

图像分析和计算机视觉任务需要一种不同类型的工具：卷积神经网络（CNN）。在本模块中，您将学习 CNN 如何通过专项层自动从图像中提取 Feature，建立自己的图像分类 Model，并利用预 Training Network 解决现实世界中数据有限的问题。通过在 PyTorch 中动手实现，您将掌握彻底改变计算机视觉并在自动驾驶和医疗成像等领域实现突破的技术。

涵盖的内容

9个视频4篇阅读材料4个作业3个非评分实验室

9个视频总计49分钟

为什么卷积神经网络在图像处理方面如此有效？2分钟
卷积和 Feature 地图--CNN 的基石8分钟
池化、填充和 ReLU - 理解 CNN 变换7分钟
定义 CNN 的卷积层8分钟
添加全连接图层和模型摘要7分钟
在 MNIST 上训练 CNN3分钟
评估 CNN 和可视化 Prediction3分钟
加载并定制用于 Transfer Learning 的预训练 CNN5分钟
训练和评估微调 CNN7分钟

4篇阅读材料总计29分钟

了解卷积和 Feature 地图8分钟
池化、激活和 CNN 与 FNN 对比6分钟
用 PyTorch 准备和训练 CNN7分钟
迁移学习的作用和使用时机8分钟

4个作业总计75分钟

在 PyTorch 中掌握 CNN30分钟
知识检查 - CNN 概念15分钟
知识检测 - 在 PyTorch 中实现 CNN15分钟
知识检查--迁移学习15分钟

3个非评分实验室总计180分钟

实验室 - 用 NumPy 模拟卷积操作并可视化滤波器60分钟
实验室 - 在 CIFAR-10 上实施和训练 CNN60分钟
实验室 - 在新数据集上对预训练模型进行微调60分钟

掌握利用 Recurrent Neural Networks 和 LSTM 进行序列建模的艺术。本 Module 教您如何处理和生成文本和 Time Series 等序列数据。您将了解 RNN 的内部工作原理，学习 LSTM 为何能更好地捕捉长期依赖关系，并在自然语言处理和时间序列预测中实现实际应用。通过理论与实践的结合，您将掌握建立能够理解上下文和时间模式的模型的技能。