深度学习 · 课程规划

🍁 2025版 🍁

📌 课程定位

🔎 前置要求

• 了解基本的 Python 语法
• 可以回想起基本的数学概念
• 了解一些基本的人工智能概念

🔎 课程收益

• 顺应时代，入行人工智能这个崭新的领域，能够独立开发深度学习项目
• 夯实深度学习基础，为将来深入其它领域（计算机视觉、自然语言处理等）做好算法准备

📌 课程大纲

🔎 模块1：开发环境搭建

• 通过 Python 解释器安装环境

  1. https://www.python.org/
  2. pip install jupyterlab -U
  3. pip install numpy pandas matplotlib scikit-learn -U
  4. pip install torch -U
  

• 通过 Anaconda 安装环境

  1. https://www.anaconda.com/
  2. pip install jupyterlab -U
  3. pip install numpy pandas matplotlib scikit-learn -U
  4. pip install torch -U
  

• 安装 VS Code 编辑器

  1. https://code.visualstudio.com/
  2. Python 扩展
  3. Markdown 扩展
  4. 通义灵码 扩展
  

🔎 模块2：PyTorch框架

• 张量 Tensor 基本定义、属性及基本操作: tensor, shape, dtype, ndim, device, numel
• 通过函数快速生成张量：ones, zeros, randint, rand, randn, arange, linspace, eye, diag
• 张量的点对点运算: element-wise operation
• 张量的广播机制: broadcast
• 张量的索引机制: indexing
• 张量的向量化计算和矩阵化计算: @, matmul
• 张量的类型和类型转换: dtype
• 自动求导: requires_grad
• GPU加速: device
• 使用 PyTorch 实现 梯度下降法

🔎 模块3：深度学习基础

• 感知机模型: \(y=wx+b\)
• 全连接网络组件：全连接层，激活函数，损失函数，优化器
• 全连接网络搭建：Module, Sequential, class

🔎 模块4：深度学习高级

• 数据批量化打包: Dataset, DataLoader
• 模型训练流程: 正向传播 --> 损失计算 --> 反向传播 --> 更新参数 --> 梯度清零
• 模型评估方法: accuracy, precision, recall, f1-score, confusion matrix, mse
• 模型推理流程: with torch.no_grad()
• 模型保存和加载: model.statedict(), torch.save, torch.load, model.load_state_dict

🔎 模块5：回归任务实战

• 原始数据读取
• 数据批量化打包
• 回归网络搭建
• 模型训练
• 模型评估
• 模型保存
• 模型推理

🔎 模块6：分类任务实战

• 原始数据读取
• 数据批量化打包
• 分类网络搭建
• 模型训练
• 模型评估
• 模型保存
• 模型推理