PyTorch深度学习
PyTorch是当前最流行的深度学习框架之一，以其动态计算图、易用性和强大的生态系统而受到广泛欢迎。本板块包含25篇PyTorch核心技术详解，涵盖从基础到进阶的完整内容。
� PyTorch核心基础
🔥 张量与计算图
- Tensor基本概念与数据类型
- 张量创建与操作
- 设备管理与数据迁移
- 张量属性与维度操作
- 算术运算与数学函数
- 广播机制与索引
- 张量变换函数
- 数学运算函数
- 统计与比较函数
🧠 自动求导机制
- PyTorch与autograd自动求导
- 计算图与自动求导原理
- 梯度计算与累积
- 自定义梯度与求导技巧
📦 核心模块
- nn.Module基类
- 常用网络层
- 模型构建流程
- Dataset与DataLoader
- 数据预处理与增强
- 自定义数据集
[nn库与nn.functional区别](./Pytorch torch.nn库以及nn与nn.functional有什么区别？.md)
- nn模块与函数式API对比
- 使用场景与最佳实践
- 性能优化建议
🚀 模型构建与训练
🏗️ 模型模块
- 模型模块详解(RNN,CNN,FNN,LSTM,GRU,TCN,Transformer)
- 前馈神经网络
- 卷积神经网络
- 循环神经网络与变体
- Transformer架构
⚙️ 优化与训练
- 优化器原理与实现
- 学习率调度器
- 训练策略与技巧
- 梯度下降变体
- 动量与自适应学习率
- 正则化与泛化
� 模型保存与部署
- 模型保存与加载策略
- 多GPU并行训练
- 分布式训练框架
[模型保存与加载进阶](./Pytorch详解-模型保存与加载、Finetune 模型微调、GPU使用、nvidia-smi详解、TorchEnsemble 模型集成库、torchmetrics 模型评估指标库.md)
- 模型微调与迁移学习
- GPU使用与监控
- 模型集成与评估
🎨 可视化与调试
� 可视化工具
- Visdom交互式可视化
- TensorBoardX集成
- TorchVision应用
- 模型结构可视化
- 训练过程可视化
- 结果分析与调试
🔬 网络架构实战
🖼️ 经典CNN模型
- 从零搭建经典CNN模型
- GoogLeNet
- ResNet系列
- VGG、MobileNet、ShuffleNet
🌟 注意力与Transformer
- 从零搭建Attention模型
- CBAM、SENet注意力机制
- STN空间变换网络
- Transformer、ViT、MobileViT
🎯 计算机视觉应用
� 图像识别
- CNN与OpenCV结合
- 图像处理流程
- 计算机视觉应用
- YOLO目标检测
- OpenCV图像处理
- RTSP视频流处理
👤 人脸识别
- 人脸识别：face_recognition参数详解
- face_recognition库使用
- 人脸识别算法
- 人脸特征提取
🎙️ 语音处理
� 语音识别技术
- 语音识别：PyAudio、SoundDevice、Vosk、openai-whisper
- 音频采集与处理
- 语音识别模型
- 多语言翻译
📚 深度学习理论
🧠 神经网络基础
- 前向神经网络与反向传播
- 多层感知器原理
- 损失函数设计
- 反向传播算法推导
� 卷积神经网络
- 深度学习面试笔试之卷积神经网络(CNN)
- CNN架构与原理
- 卷积操作与池化
- 经典CNN模型分析
� 循环神经网络
- 循环神经网络、GRU与LSTM
- RNN基本原理
- GRU与LSTM门控机制
- 序列模型应用
🔀 迁移与强化学习
- [迁移学习、强化学习与多任务](./深度学习面试笔试之迁移学习(Transfer)、强化学习(Reinforcement) & 多任务.md)
- 迁移学习策略
- 强化学习基础
- 多任务学习框架
🌟 图深度学习
📊 图神经网络
- 图深度学习、A*算法、EMD和VMD
- 图神经网络基础
- A*路径规划算法
- 经验模态分解技术
从Tensor基础到Transformer模型，掌握PyTorch深度学习全栈技术！