PyTorch机器学习与深度学习技术方法与案例

近年来，随着AlphaGo、无人驾驶汽车、医学影像智慧辅助诊疗、ImageNet竞赛等热点事件的发生，人工智能迎来了新一轮的发展浪潮。尤其是深度学习技术，在许多行业都取得了颠覆性的成果。另外，近年来，Pytorch深度学习框架受到越来越多科研人员的关注和喜爱。

帮助广大科研人员更加系统地学习深度学习的基础理论知识及对应的Pytorch代码实现方法，掌握深度学习的基础知识，与经典机器学习算法的区别与联系，以及最新的迁移学习、循环神经网络、长短时记忆神经网络、时间卷积网络、对抗生成网络、Yolo目标检测算法、自编码器等算法的原理及其Pytorch编程实现方法。本次学习采用“理论讲解+案例实战+动手实操+讨论互动”相结合的方式，抽丝剥茧、深入浅出分析深度学习在应用时需要掌握的经验及编程技巧。此外，还将通过实际案例的形式，介绍如何提炼创新点，以及如何发表高水平论文等相关经验。

更多实践应用

●基于MATLAB 2021b的机器学习、深度学习实践
●Python数据挖掘与机器学习实践技术应用
●全套Python机器学习核心技术与案例分析实践
●基于现代R语言【Tidyverse、Tidymodel】的机器学习方法
●MATLAB近红外光谱分析技术及实践技术应用
●基于Python近红外光谱分析与机器学习、深度学习方法融合实践技术应用
●基于python机器学习及深度学习在空间模拟与时间预测领域中的实践技术应用
●PyTorch深度学习遥感影像地物分类与目标检测、分割及遥感影像问题深度学习优化技术
●R语言Meta全流程、不确定、回归、诊断分析与绘图及Meta机器学习高级应用

【导师随行】：

1、建立导师助学交流群，长期进行答疑及经验分享，辅助学习及应用；
2、不定期召开线上答疑交流，辅助学习巩固工作实践问题处理交流；
3、学员后期可邀请导师进驻团队/课题组开展一对一的团队建设、人才培养、学术交流、学术报告、问题诊断、纵横向项目合作等多种形式的合作。

【主讲专家】：

郁磊（副教授），主要从事Python/Matlab 编程、机器学习与数据挖掘、数据可视化和软件开发、生理系统建模与仿真、生物医学信号处理，具有丰富的科研经验，主编《MATLAB智能算法30个案例分析》、《MATLAB神经网络43个案例分析》相关著作。已发表多篇高水平的国际学术研究论文。

第一章、Python基础知识串讲

1、Python环境搭建（Python软件下载、安装与版本选择；PyCharm下载、安装；Python之Hello World；第三方模块的安装与使用；Python 2.x与Python 3.x对比）
2、Python基本语法（Python变量命名规则；Python基本数学运算；Python常用变量类型的定义与操作；Python程序注释）
3、Python流程控制（条件判断；for循环；while循环；break和continue关键字；嵌套循环与可变循环）
4、Python函数与对象（函数的定义与调用；函数的参数传递与返回值；变量作用域与全局变量；对象的创建与使用）
5、Matplotlib的安装与图形绘制（设置散点、线条、坐标轴、图例、注解等属性；绘制多图；图的嵌套）
6、科学计算模块库（Numpy的安装；ndarray类型属性与数组的创建；数组索引与切片；Numpy常用函数简介与使用；Pandas常用函数简介与使用）

第二章、PyTorch简介与环境搭建

1、深度学习框架概述（PyTorch、Tensorflow、Keras等）
2、PyTorch简介（PyTorch的版本、动态计算图与静态计算图、PyTorch的优点）
3、PyTorch的安装与环境配置（Pip vs. Conda包管理方式、验证是否安装成功、CPU版与GPU版的安装方法）

第三章、PyTorch编程入门与进阶

1、张量（Tensor）的定义，以及与标量、向量、矩阵的区别与联系）
2、张量（Tensor）的常用属性与方法（dtype、device、layout、requires_grad、cuda等）
3、张量（Tensor）的创建（直接创建、从numpy创建、依据数值创建、依据概率分布创建）
4、张量（Tensor）的运算（加法、减法、矩阵乘法、哈达玛积（element wise）、除法、幂、开方、指数与对数、近似、裁剪）
5、张量（Tensor）的索引与切片
6、PyTorch的自动求导（Autograd）机制与计算图的理解
7、PyTorch常用工具包及API简介（torchvision（transforms、datasets、model）、torch.nn、torch.optim、torch.utils（Dataset、DataLoader））

第四章、PyTorch前向型神经网络

1、BP神经网络的基本原理（人工神经网络的分类有哪些？有导师学习和无导师学习的区别是什么？BP神经网络的拓扑结构和训练过程是怎样的？什么是梯度下降法？BP神经网络建模的本质是什么？）
2、BP神经网络的Python代码实现（怎样划分训练集和测试集？为什么需要归一化？归一化是必须的吗？什么是梯度爆炸与梯度消失？）
3、PyTorch代码实现神经网络的基本流程（Data、Model、Loss、Gradient）及训练过程（Forward、Backward、Update）
4、案例演示：Linear模型、Logistic模型、Softmax函数输出、BP神经网络
5、实操练习
6、值得研究的若干问题（隐含层神经元个数、学习率、初始权值和阈值等如何设置？什么是交叉验证？过拟合（Overfitting）与欠拟合(Underfitting)、泛化性能评价指标的设计、样本不平衡问题、模型评价与模型选择（奥卡姆剃刀定律）等）

第五章、PyTorch卷积神经网络

1、深度学习简介（深度学习大事记：Model + Big Data + GPU + AlphaGo）
2、深度学习与传统机器学习的区别与联系（神经网络的隐含层数越多越好吗？深度学习与传统机器学习的本质区别是什么？）
2、卷积神经网络的基本原理（什么是卷积核、池化核？CNN的典型拓扑结构是怎样的？CNN的权值共享机制是什么？CNN提取的特征是怎样的？）
3、卷积神经网络的进化史：LeNet、AlexNet、Vgg-16/19、GoogLeNet、ResNet等经典深度神经网络的区别与联系
4、利用PyTorch构建卷积神经网络（Convolution层、Batch Normalization层、Pooling层、Dropout层、Flatten层等）
5、卷积神经网络调参技巧（卷积核尺寸、卷积核个数、移动步长、补零操作、池化核尺寸等参数与特征图的维度，以及模型参数量之间的关系是怎样的？）
6、案例讲解：
（1）CNN预训练模型实现物体识别
（2）利用卷积神经网络抽取抽象特征
（3）自定义卷积神经网络拓扑结构
7、实操练习

第六章、PyTorch迁移学习

1、迁移学习算法的基本原理（为什么需要迁移学习？为什么可以迁移学习？迁移学习的基本思想是什么？）
2、基于深度神经网络模型的迁移学习算法
3、案例讲解：猫狗大战（Dogs vs. Cats）
4、实操练习

第七章、PyTorch生成式对抗网络

1、生成式对抗网络GAN（什么是对抗生成网络？为什么需要对抗生成网络？对抗生成网络可以帮我们做什么？GAN给我们带来的启示）
2、GAN的基本原理及GAN进化史
3、案例讲解：GAN的PyTorch代码实现（手写数字生成）
4、实操练习

第八章、PyTorch RNN与LSTM

1、循环神经网络RNN的基本工作原理
2、长短时记忆网络LSTM的基本工作原理
3、案例讲解：时间序列预测（北京市污染物预测）
4、实操练习

第九章、时间卷积网络（Temporal Convolutional Network, TCN）

1、时间卷积网络（TCN）的基本原理
2、TCN与1D CNN、LSTM的区别与联系
3、案例讲解：
   1）时间序列预测：新冠肺炎疫情预测
   2）序列-序列分类：人体动作识别
4、实操练习

第十章、基于深度学习的视频分类案例实战

1、基于深度学习的视频分类基本原理
2、读取视频流文件并抽取图像帧
3、利用预训练CNN模型提取指定层的特征图
4、自定义构建LSTM神经网络模型
5、案例讲解：HMDB51数据集视频分类
6、实操练习

第十一章、PyTorch目标检测

1、什么是目标检测？目标检测与目标识别的区别与联系
2、YOLO模型的工作原理，YOLO模型与传统目标检测算法的区别
3、案例讲解：
（1）利用预训练好的YOLO模型实现目标检测（图像检测、视频检测、摄像头实时检测）
（2）数据标注演示（LabelImage使用方法介绍）
（3）训练自己的目标检测数据集
4、实操练习

第十二章、自编码器

1、什么是自编码器（Auto-Encoder, AE）？
2、经典的几种自编码器模型原理介绍（AE、Denoising AE, Masked AE）
3、案例讲解：
（1）基于自编码器的噪声去除
（2）基于自编码器的手写数字特征提取与重构
（3）基于掩码自编码器的缺失图像重构
4、实操练习

第十三章、复习与答疑讨论

1、相关资料拷贝与分享
2、答疑与讨论（大家提前把问题整理好）