一、PyTorch基础概念 1、张量简介与创建 2、张量操作 3、计算图与动态图 4、autograd 二、PyTorch数据处理 1、DataSet与DataLoader 2、读取数据 3、数据预处理 4、数据增强 三、PyTorch模型构建 1、模型的搭建及sequential 2、常用网络层介绍与使用 3、模型参数初始化方法 4、卷积神经网络搭建 四、PyTorch损失优化 1、特殊的模块-Function 2、损失函数 3、优化器 4、学习率调整方法 五、PyTorch训练过程 1、TensorBoard 2、Loss及Accuracy可视化 3、卷积核及特征图可视化 4、梯度及权值分布可视化 5、混淆矩阵及可视化 6、类激活图可视化 六、PyTorch的正则化 1、过拟合正则化 2、L1和L2正则化 3、Dropout 4、Batch Normalization 5、Module.eval()对dropout及BN的影响 七、PyTorch的训练技巧 1、迁移学习之---模型Finetune 2、模型保存与加载 3、Early Stop 4、GPU使用---调用、选择、模型保存与加载 八、PyTorch小试牛刀 1、图像分类算法-ResNet 2、图像分割算法-Unet 3、图像目标检测-Faster RCNN 4、图像生成对抗网络--GAN 5、循环神经网络