深度学习框架

$$深度学习框架$$

---

LibTorch框架学习

---

• 框架：Pytorch

---

Pyorch中文文档

---

Torch官方教程

---

1. pytorch的数据结构—tensor和variable
2. Pytorch—张量操作与线性回归
3. pytorch的自动微分—autograd和逻辑回归
4. DataSet与DataLoader
5. Pytorch入门—计算图与动态图机制
6. Transform：数据的预处理/数据增强
7. 模型创建初步
8. 常用网络层
9. 权值初始化和损失函数
10. 优化器讲解
11. 学习率调整策略
12. Tensorboard使用
13. hook函数与CAM可视化
14. 正则化之weight_decay,Dropout
15. Normalization
16. 模型保存、加载和Finetune
17. GPU的使用：PyTorch中常见报错
18. 图像分类
19. 图像分割
20. 图像目标检测
21. 对抗生成网络
22. 循环神经网络

---

• 框架： Tensorflow

---

pip install -U --ignore-installed wrapt enum34 simplejson netaddr -i http://mirrors.aliyun.com/pypi/simple/ --trusted-host mirrors.aliyun.com

pip install tensorflow==2.0 -i http://mirrors.aliyun.com/pypi/simple/ --trusted-host mirrors.aliyun.com

1. 张量与操作&三种建模方法
2. keras版本模型训练
3. 自定义模型训练
4. autograph详解
5. 模型保存与加载
6. 自定义层详解
7. 常用损失函数和自定义损失函数
8. 常用评估函数和自定义评估函数
9. TensorBoard可视化工具
10. tf.data 构建TensorFlow输入管道
11. Dataset案例
12. tfrecord案例
13. 卷积神经网络简介
14. Google涂鸦识别挑战项目(上)
15. Google涂鸦识别挑战项目(下)
16. 循环神经网络简介
17. word2vec简介及词向量构建
18. LSTM实现新闻分类算法
19. Transformer简介
20. Transformer实现英译中机器翻译
21. GPU分布式训练
22. TPU分布式训练
23. tfhub简介
24. BERT实现文本匹配
25. tf.serving部署
26. keras中的modelcheckpoint

---

• 框架： Caffe

---

1. Caffe介绍与编译
2. Cifar实践操作案例
3. 网络结构层的定义
4. 网络结构的可视化
5. 常用网络结构
6. Caffe代码解读1