2023 年用于深度学习的 PyTorch:从零到精通

学习 PyTorch,成为一名深度学习工程师,并被雇用

课程英文名:PyTorch for Deep Learning in 2023 Zero to Mastery

此视频教程共nan,中英双语字幕,画质清晰无水印,源码附件全

![](https://cdn.xueshu.fun/PyTorch for Deep Learning in 2023 Zero to Mastery.jpg)

课程地址:https://xueshu.fun/1415

课程内容

你将会学到的

  • 从开始使用 PyTorch 到构建您自己的真实世界模型的一切
  • 了解如何将深度学习集成到工具和应用程序中
  • 构建和部署您自己的定制训练 PyTorch 神经网络,供公众访问
  • 掌握深度学习,成为寻求深度学习工程师的招聘人员的最佳人选
  • 成为深度学习工程师并获得聘用并有机会赚取 100,000 美元以上/年收入所需的技能
  • 为什么 PyTorch 是开始机器学习工作的绝佳方式
  • 像编写 Python 程序一样创建和利用机器学习算法
  • 如何获取数据,构建 ML 算法来寻找模式,然后将该算法用作 AI 来增强您的应用程序
  • 扩展您的机器学习和深度学习技能和工具包

要求

  • 需要具有互联网连接的计算机 (Linux/Windows/Mac)
  • 需要基本的 Python 知识
  • 推荐使用以前的机器学习知识,但不是必需的(我们提供足够的补充资源来帮助您快速上手!)

说明

什么是 PyTorch,我为什么要学习它?

PyTorch 是一个用 Python 编写的机器学习和深度学习框架。

PyTorch 使您能够制作新的和使用现有的最先进的深度学习算法,例如为当今许多人工智能 (AI) 应用程序提供动力的神经网络。

再加上现在这么热,所以有很多工作机会

PyTorch 被以下公司使用:

  • 特斯拉为其自动驾驶汽车构建计算机视觉系统
  • Meta 为其内容时间表提供策展和理解系统
  • Apple 创建计算增强的摄影。

想知道什么更酷吗?

许多最新的机器学习研究都是使用 PyTorch 代码完成和发布的,因此了解它的工作原理意味着您将处于这个需求旺盛的领域的前沿。

您将在良好的公司中学习 PyTorch。

Zero To Mastery 的毕业生现在在谷歌、特斯拉、亚马逊、苹果、IBM、Uber、Meta、Shopify 以及其他处于机器学习和深度学习前沿的顶尖科技公司工作。

这可能是你。

今天注册后,您还可以加入我们独家的实时在线社区课堂,与成千上万的学生、校友、导师、助教和讲师一起学习。

最重要的是,您将从专业的机器学习工程师那里学习 PyTorch,他具有实际经验,并且是周围最好的老师之一!

这个 PyTorch 课程会是什么样的?

这个 PyTorch 课程非常实用且基于项目。你不会只是盯着你的屏幕。我们将把它留给其他 PyTorch 教程和课程。

在本课程中,您实际上将:

  • 运行实验
  • 完成练习以测试您的技能
  • 构建真实世界的深度学习模型和项目以模拟真实生活场景

最终,您将具备识别和开发大型科技公司遇到的现代深度学习解决方案所需的技能组合。

⚠ 公平警告:这门课程非常全面。但不要被吓倒,丹尼尔会从零开始,一步一步地教你一切!

以下是您将在此 PyTorch 课程中学到的内容:

1. PyTorch 基础知识——我们从最基本的基础知识开始,因此即使您是初学者,您也能快速上手。

在机器学习中,数据被表示为张量(数字的集合)。学习如何使用 PyTorch 制作张量对于构建机器学习算法至关重要。在 PyTorch 基础知识中,我们深入介绍了 PyTorch 张量数据类型。

2. PyTorch 工作流——好的,你已经掌握了基础知识,并且你已经制作了一些张量来表示数据,但现在呢?

使用 PyTorch Workflow,您将学习从数据 -> 张量 -> 训练好的神经网络模型的步骤。无论您遇到 PyTorch 代码还是在课程的其余部分,您都会看到并使用这些步骤。

3. PyTorch 神经网络分类——分类是最常见的机器学习问题之一。

  • 是一回事还是另一回事?
  • 电子邮件是垃圾邮件还是非垃圾邮件?
  • 信用卡交易是欺诈还是不欺诈?

通过 PyTorch 神经网络分类,您将学习如何使用 PyTorch 编写神经网络分类模型,以便您可以对事物进行分类并回答这些问题。

4. PyTorch 计算机视觉——神经网络永远改变了计算机视觉游戏。现在,PyTorch 推动了计算机视觉算法的许多最新进展。

例如,特斯拉使用 PyTorch 为其自动驾驶软件构建计算机视觉算法。

使用 PyTorch 计算机视觉,您将构建一个 PyTorch 神经网络,该网络能够查看图像中的模式并将它们分类为不同的类别。

5. PyTorch Custom Datasets——机器学习的神奇之处在于构建算法以在您自己的自定义数据中找到模式。现有的数据集很多,但如何将自己的自定义数据集加载到 PyTorch 中?

这正是您将在本课程的 PyTorch 自定义数据集部分学到的内容。

您将学习如何为 FoodVision Mini 加载图像数据集:一个 PyTorch 计算机视觉模型,能够对比萨饼、牛排和寿司的图像进行分类(我让您渴望学习了吗?!)。

我们将在课程的其余部分构建 FoodVision Mini。

6. PyTorch Going Modular ——PyTorch 的全部意义在于能够编写 Pythonic 机器学习代码。

使用 Python 编写机器学习代码有两个主要工具:

  1. 一个 Jupyter/Google Colab notebook(非常适合做实验)
  2. Python 脚本(非常适合重现性和模块化)

在本课程的 PyTorch Going Modular 部分,您将学习如何使用最有用的 Jupyter/Google Colab Notebook 代码并将其转换为可重用的 Python 脚本。这通常是您发现在野外共享的 PyTorch 代码的方式。

7. PyTorch 迁移学习——如果你可以利用一个模型学到的东西并利用它来解决你自己的问题会怎样?这就是 PyTorch 迁移学习所涵盖的内容。

您将了解迁移学习的强大功能,以及它如何使您能够采用在数百万张图像上训练的机器学习模型,对其进行轻微修改,并增强 FoodVision Mini 的性能,从而节省您的时间和资源。

8. PyTorch 实验跟踪——现在我们将开始我们的里程碑项目的第 1 部分,开始加热烹饪!

此时,您将构建大量 PyTorch 模型。但是你如何跟踪哪个模型表现最好呢?

这就是 PyTorch 实验跟踪的用武之地。

遵循机器学习从业者的座右铭实验、实验、实验!您将设置一个系统来跟踪各种 FoodVision Mini 实验结果,然后比较它们以找到最佳结果。

9. PyTorch Paper Replicating——机器学习领域发展迅速。每天都有新的研究论文发表。能够阅读和理解这些论文需要时间和练习。

这就是 PyTorch 论文复制涵盖的内容。您将学习如何阅读机器学习研究论文并使用 PyTorch 代码复制它。

此时,您还将完成我们里程碑项目的第 2 部分,您将在其中复制突破性的 Vision Transformer 架构!

10. PyTorch 模型部署——到这个阶段,您的 FoodVision 模型将表现良好。但到目前为止,您是唯一可以访问它的人。

你如何将你的 PyTorch 模型交到别人手中?

这就是 PyTorch 模型部署所涵盖的内容。在您的里程碑项目的第 3 部分中,您将学习如何采用性能最佳的 FoodVision Mini 模型并将其部署到网络上,以便其他人可以访问它并使用他们自己的食物图像进行试用。

底线是什么?

机器学习的增长和采用呈爆炸式增长,而深度学习是您将机器学习知识提升到新水平的方式。越来越多的职位空缺正在寻找这种专业知识。

特斯拉、微软、OpenAI、Meta(Facebook + Instagram)、Airbnb 等公司目前都由 PyTorch 提供支持。

这是学习 PyTorch 并启动您作为深度学习工程师的职业生涯的最全面的在线训练营。

那为什么还要等?通过掌握 PyTorch 并将深度学习添加到您的工具包来提升您的职业生涯并获得更高的薪水?

此课程面向哪些人:

  • 任何想要学习 PyTorch 的分步指南并能够被聘为年薪超过 100,000 美元的深度学习工程师的人
  • 希望通过实际使用 PyTorch 构建和训练真实模型来展示实用机器学习技能的学生、开发人员和数据科学
  • 任何希望在人工智能、机器学习和深度学习方面扩展知识和工具包的人
  • 想要超越基础知识的训练营或在线 PyTorch 教程毕业生
  • 那些对所有初学者 PyTorch 教程目前的进展感到沮丧的学生,这些教程没有超越基础知识,也没有为您提供真实世界的实践或实际被录用所需的技能