Content
8 Lessons • 0 Quizzes • 0 Challenges
简介
- 1
为什么选择 PyTorch？
- 2
课程概述
可视化梯度下降
- 1
剧透警告
- 2
梯度下降
- 3
数据生成
- 4
使用梯度下降的基本步骤（第0步和第1步）
- 5
步骤 2a - 计算损失
- 6
步骤 2b - 计算损失曲面
- 7
步骤3 - 计算梯度
- 8
步骤 4 - 更新参数
- 9
学习率
- 10
扩展数据集
- 11
步骤5 - 冲洗并重复！
- 12
回顾
- 13
测验
- 14
挑战1：可视化梯度下降
- 15
解决方案回顾 - 可视化梯度下降
一个简单的回归问题
- 1
剧透警告
- 2
回顾梯度下降的步骤
- 3
使用Numpy实现线性回归
- 4
PyTorch 张量
- 5
加载数据、设备和CUDA
- 6
创建参数
- 7
测验
- 8
自动微分（Autograd）
- 9
更新参数
- 10
动态计算图
- 11
优化器
- 12
损失
- 13
测验
- 14
模型
- 15
模型类型
- 16
层
- 17
综合运用
- 18
回顾
- 19
测验
- 20
挑战2 - 一个简单的回归问题
- 21
解法回顾：一个简单的回归问题
重新思考训练循环
- 1
剧透警告
- 2
介绍高阶函数
- 3
重新思考训练循环
- 4
构建数据集
- 5
数据加载器
- 6
测验
- 7
小批量内层循环与训练集划分
- 8
评估
- 9
TensorBoard
- 10
SummaryWriter
- 11
保存和加载模型
- 12
部署 / 进行预测
- 13
综合应用
- 14
回顾
- 15
测验
- 16
挑战3 - 重新思考训练循环
- 17
解决方案回顾 - 重新思考训练循环
走向类编程
- 1
剧透
- 2
走向类编程
- 3
函数
- 4
不同的方法类型
- 5
训练方法
- 6
保存和加载方法
- 7
完善实现类所需的方法
- 8
优雅的管道
- 9
模型训练与预测
- 10
检查点
- 11
综合应用
- 12
回顾
- 13
测验
- 14
挑战4 - 走向类
- 15
解决方案回顾 - 走向面向对象编程
一个简单的分类问题
- 1
剧透警告
- 2
分类问题
- 3
分类问题的模型
- 4
Sigmoid函数与逻辑回归
- 5
测验
- 6
损失
- 7
PyTorch中的二元交叉熵损失
- 8
不平衡数据集
- 9
分类任务的模型配置、训练与预测
- 10
决策边界
- 11
分类阈值与混淆矩阵
- 12
指标
- 13
权衡与曲线
- 14
最佳与最差曲线及模型
- 15
综合起来
- 16
回顾
- 17
测验
- 18
挑战5 - 一个简单的分类问题
- 19
解法回顾：一个简单的分类问题
结论
- 1
接下来是什么？
附录
- 1
安装指南
- 2
运行 TensorBoard
Certificate of Completion
Showcase your accomplishment by sharing your certificate of completion.
Course Author:Anonymous User