目录

• 1.环境部署
• 2.自动梯度计算
• • 张量 tensor
• 3.线性回归
• 4.逻辑回归
• 6.人工神经网络的基本概念
• • 6.1 感知器
  • 6.2 激活函数
  • 6.3多层感知器
  • 6.4 反向传播算法——前向传播
  • 6.5 反向传播算法——反向传播
  • 6.6 反向传播算法——训练方法
• 7.Pytorch基础数据集
• 8.手写数字识别人工神经网络训练
• • 8.1 Softmax和LogSoftmax
  • 8.2 示例：nn_mnist.py
• 9.模型保存与预测调用
• • 9.1 模型保存、模型预测、模型推理概念
  • 9.2 Pytorch实现模型保存和加载
  • 9.3 关于state_dict()
• 10.卷积的基本概念与术语
• 11.卷积神经网络基本原理
• • 11.1 卷积层相比于全连接层的优点
  • 11.2 卷积层操作
  • 11.3 卷积层详解
  • 11.4 池化层详解
  • • 最大值池化和均值池化的对比
  • 11.5 卷积层特点
• 12.构建手写数字识别CNN网络
• • 12.1 构建卷积神经网络
  • 12.2 CNN训练与预测使用
  • • 12.2.1 激活函数和损失函数
    • 12.2.2 优化器选择
  • 12.3 导出ONNX格式与OpenCV DNN部署
  • • 12.3.1 网络可视化工具：netron
    • 12.3.2 ONNX格式
  • 12.4 整体代码：cnn_mnist.py
• 13.Pytorch数据集与训练可视化
• • 13.1 Pytorch自定义数据集类
  • • 13.1.1 DataLoader
    • 13.1.2 数据集预处理
    • • 人脸数据集处理打标签工具——Face-Annotation-Tool_Python
    • 13.1.3 源码：对自定义数据集进行图像处理
  • 13.2 Pytorch中训练可视化
  • • 13.2.1 Tensorboard可视化
    • • 示例：cnn_mnist_vis.py
      • 可视化
    • 13.2.2 visdom 可视化