深度学习入门之 PyTorch
深度学习入门之 PyTorch
PyTorch 基础
Tensor 和 Variable
自动求导机制
动态图与静态图
神经网络
线性模型与梯度下降
多层神经网络，Sequential 和 Module
深层神经网络
参数初始化方法
优化算法
SGD
动量法
Adagrad
RMSProp
Adadelta
Adam
卷积神经网络
PyTorch 中的卷积模块
批标准化，batch normalization
用重复元素的深度网络，VGG
更加丰富化结构的网络，GoogLeNet
深度残差网络，ResNet
稠密连接的卷积网络，DenseNet
更好的训练卷积网络
数据增强
正则化
学习率衰减
循环神经网络
循环神经网络模块：LSTM 和 GRU
使用 RNN 进行图像分类
使用 RNN 进行时间序列分析
自然语言处理的应用
Word Embedding
N-Gram 模型
Seq-LSTM 做词性预测
生成对抗网络
自动编码器
变分自动编码器
生成对抗网络
深度强化学习
Q Learning
Open AI gym
Deep Q-networks
PyTorch高级
tensorboard 可视化
灵活的数据读取介绍
计算机视觉
Fine-tuning: 通过微调进行迁移学习
语义分割: 通过 FCN 实现像素级别的分类
自然语言处理
Char RNN 实现文本生成
Powered by
GitBook
PyTorch 基础
PyTorch基础
results matching "
"
No results matching "
"