基础入门
环境搭建
介绍如何根据不同的操作系统（如 Windows、Linux、macOS）和计算需求（CPU 或 GPU）安装 PyTorch 及其相关依赖库（如 torchvision、torchaudio 等），同时可能会提及虚拟环境的创建与使用，以确保开发环境的独立性和稳定性。
张量（Tensor）基础
张量概念：讲解张量是 PyTorch 中最基本的数据结构，类似于 NumPy 的数组，但能在 GPU 上高效计算，可将其看作多维数组。
张量创建：演示多种创建张量的方法，如使用 torch.tensor()、torch.zeros()、torch.ones()、torch.rand() 等函数创建不同形状和数据类型的张量。
张量操作：介绍张量的基本操作，包括索引、切片、数学运算（加、减、乘、除等）、形状变换（如 view()、reshape()）等，以及张量与 NumPy 数组之间的相互转换。
自动求导（Autograd）
原理讲解：解释 PyTorch 的自动求导机制 Autograd 的工作原理，它能够自动计算张量的梯度，这是深度学习中反向传播算法的核心。
代码示例：通过简单的函数示例，展示如何创建需要计算梯度的张量，定义函数，调用 backward() 方法计算梯度，并访问和使用计算得到的梯度。
神经网络构建
模块（nn.Module）使用
自定义网络：介绍如何使用 torch.nn 模块中的 nn.Module 基类来定义自定义的神经网络。通过继承该类，重写 __init__() 方法初始化网络层，重写 forward() 方法定义前向传播过程。
常见网络层：讲解常见的神经网络层，如全连接层（nn.Linear）、卷积层（nn.Conv2d）、池化层（nn.MaxPool2d）、激活函数层（如 nn.ReLU、nn.Sigmoid）等的使用方法和参数含义。
损失函数与优化器
损失函数：介绍不同类型的损失函数，如交叉熵损失（nn.CrossEntropyLoss）、均方误差损失（nn.MSELoss）等，以及它们在不同任务（分类、回归等）中的应用。
优化器：讲解常见的优化器，如随机梯度下降（SGD）、自适应矩估计（Adam）、Adagrad 等，如何使用 torch.optim 模块实例化优化器，并设置学习率、动量等参数。
数据处理与加载
数据预处理
转换操作：介绍 torchvision.transforms 模块中的常见数据预处理操作，如将图像转换为张量（transforms.ToTensor()）、归一化（transforms.Normalize()）、随机裁剪（transforms.RandomCrop()）、水平翻转（transforms.RandomHorizontalFlip()）等，以及如何组合这些操作形成预处理流水线。
数据集与数据加载器
内置数据集：演示如何使用 torchvision.datasets 模块中的内置数据集，如 MNIST、CIFAR - 10 等，包括数据集的下载、加载和使用。
数据加载器：介绍 torch.utils.data.DataLoader 类的使用，它可以将数据集封装成可迭代的数据加载器，方便进行批量训练和并行处理，同时可以设置批量大小、是否打乱数据等参数。
模型训练与评估
训练流程
训练循环：详细介绍模型训练的完整流程，包括定义模型、损失函数和优化器，遍历训练数据集，进行前向传播计算损失，反向传播计算梯度，使用优化器更新模型参数等步骤，并展示如何在训练过程中监控损失值的变化。
训练技巧：可能会提及一些训练技巧，如学习率调整策略（如学习率衰减）、早停机制等，以提高模型的训练效果和泛化能力。
模型评估
评估指标：介绍在测试数据集上评估模型性能的常见指标，如准确率（Accuracy）、精确率（Precision）、召回率（Recall）、F1 值等，以及如何使用这些指标来评估分类模型的性能。
代码实现：展示如何在测试数据集上进行模型评估，计算并输出评估指标。
高级应用与扩展
复杂网络结构
卷积神经网络（CNN）：深入介绍卷积神经网络的原理和结构，包括卷积层、池化层的工作机制，以及如何使用 PyTorch 构建常见的 CNN 模型，如 LeNet、AlexNet、VGG 等。
循环神经网络（RNN）及其变体：讲解循环神经网络的基本原理和存在的问题，以及其变体如长短期记忆网络（LSTM）、门控循环单元（GRU）的工作机制和在序列数据处理中的应用，如自然语言处理中的文本分类、机器翻译等任务。
模型保存与加载
保存模型：介绍如何使用 torch.save() 函数保存模型的参数（state_dict）或整个模型，以及保存模型的不同场景和注意事项。
加载模型：演示如何使用 torch.load() 函数加载已保存的模型参数，并将其应用到新的模型实例中，实现模型的继续训练或推理。
分布式训练与部署
分布式训练：简要介绍在多 GPU 或多节点环境下进行分布式训练的原理和方法，如使用 torch.nn.parallel.DistributedDataParallel 实现数据并行训练。
模型部署：提及将训练好的 PyTorch 模型部署到生产环境中的常见方法，如使用 Torchｓｃｒｉｐｔ 进行模型序列化和推理，以及与其他框架或工具（如 TensorRT）结合进行模型加速。

课程目录：

1.深度学习框架
2.pytorch功能演示
3 .开发环境安装（简介）
4 .简单回归问题-1
5 .简单回归问题-2
课时6 回归问题实战
课时7 分类问题引入-1
课时8 分类问题引入-2
课时9 手写数字识别初体验-1
10.手写数字识别初体验-2
11. 手写数字识别初体验-3
12.手写数字识别初体验-4
13.手写数字识别初体验-5
14.张量数据类型-1
15.张量数据类型-2
16.创建Tensor-1
17.创建Tensor-2
18索引与切片-1
19.索引与切片-2
20.维度变换-1
21.维度变换-2
22.维度变换-3
23.维度变换-4
24.Broadcasting-1
25.Broadcasting-2
26. Broadcasting-3
27. 合并与分割-1
课时28 合并与分割-2
课时29 数学运算-1
课时30 数学运算-2
课时31 属性统计-1
课时32 属性统计-2
课时33 高阶操作
课时34 什么是梯度-1
课时35 什么是梯度-2
课时36 常见函数的梯度
课时37 激活函数与Loss的梯度-1
课时38 激活函数与Loss的梯度-2
课时39 激活函数与Loss的梯度-3
课时40 激活函数与Loss的梯度-4
课时41 感知机的梯度推导-1
课时42 感知机的梯度推导-2
课时43 链式法则
课时44 反向传播算法-1
课时45 反向传播算法-2
课时46 优化问题实战
课时47 Logistic Regression
课时48 交叉熵-1
课时49 交叉熵-2
课时50 多分类问题实战
课时52 激活函数与GPU加速
课时54 Visdom可视化
课时55 过拟合与欠拟合
课时56 交叉验证-1
课时57 交叉验证-2
课时58 Regularization
课时59 动量与学习率衰减
课时60 Early stopping, dropout等
课时61 什么是卷积-1
课时62 什么是卷积-2
课时63 卷积神经网络-1
课时64 卷积神经网络-2
课时65 卷积神经网络-3
课时66 池化层与采样
课时67 BatchNorm-1
课时68 BatchNorm-2
课时69 经典卷积网络 LeNet5,AlexNet, VGG, GoogLeNet-1
课时70 经典卷积网络 LeNet5,AlexNet, VGG, GoogLeNet-2
课时71 ResNet与DenseNet-1
课时72 ResNet与DenseNet-2
课时73 nn.Module模块-1
课时74 nn.Module模块-2
课时75 数据增强
课时76 CIFAR10数据集介绍
课时77 卷积神经网络实战-1
课时78 卷积神经网络实战-2
课时79 卷积神经网络训练
课时80 ResNet实战-1
课时81 ResNet实战-2
课时82 ResNet实战-3
课时83 ResNet实战-4
课时84 实战小结
课时85 时间序列表示方法
课时86 RNN原理-1
课时87 RNN原理-2
课时88 RNN Layer使用-1
课时89 RNN Layer使用-2
课时90 时间序列预测实战
课时91 梯度弥散与梯度爆炸
课时92 LSTM原理-1
课时93 LSTM原理-2
课时94 LSTM Layer使用
课时95 情感分类问题实战
课时96 Pokemon数据集
课时97 数据预处理
课时98 自定义数据集实战-1
课时99 自定义数据集实战-2
课时100 自定义数据集实战-3
课时101 自定义数据集实战-4
课时102 自定义数据集实战-5