?
2.PyTorch2.0環(huán)境配置（Anaconda介紹與安裝） P2 - 00:23
?
conda的特點(diǎn)
可以創(chuàng)建多個(gè)獨(dú)立的環(huán)境，可以保證不同項(xiàng)目的依賴不受影響
?
5.神經(jīng)網(wǎng)絡(luò)的層級(jí)結(jié)構(gòu) P5 - 00:29
?
神經(jīng)網(wǎng)絡(luò)的層級(jí)通常包括哪些層
?
5.神經(jīng)網(wǎng)絡(luò)的層級(jí)結(jié)構(gòu) P5 - 03:35
?
神經(jīng)網(wǎng)絡(luò)最底層單元：神經(jīng)元
?
6.神經(jīng)網(wǎng)絡(luò)是如何對(duì)數(shù)據(jù)做特征提... P6 - 00:13
?
感知機(jī)
三個(gè)輸入數(shù)據(jù)
?
6.神經(jīng)網(wǎng)絡(luò)是如何對(duì)數(shù)據(jù)做特征提... P6 - 01:30
?
舉例子：談戀愛
?
7.pytorch2.0中關(guān)于神經(jīng)網(wǎng)絡(luò)模型的API介紹 P7 - 00:11
?
神經(jīng)網(wǎng)絡(luò)名字的由來
?
7.pytorch2.0中關(guān)于神經(jīng)網(wǎng)絡(luò)模型的API介紹 P7 - 01:07
?
線性層的API封裝
?
8.深度學(xué)習(xí)模型的有監(jiān)督訓(xùn)練 P8 - 00:09
?
神經(jīng)網(wǎng)絡(luò)的有監(jiān)督訓(xùn)練方式：由開始的隨機(jī)數(shù)逐漸向標(biāo)準(zhǔn)答案收斂
?
8.深度學(xué)習(xí)模型的有監(jiān)督訓(xùn)練 P8 - 02:15
?
真值由不同的任務(wù)確定
?
8.深度學(xué)習(xí)模型的有監(jiān)督訓(xùn)練 P8 - 02:45
?
loss函數(shù)：訓(xùn)練的過程中需要讓loss達(dá)到極小值
?
9.深度學(xué)習(xí)模型的梯度下降算法 P9 - 00:30
?
梯度和導(dǎo)數(shù)的關(guān)系
?
9.深度學(xué)習(xí)模型的梯度下降算法 P9 - 01:00
?
簡(jiǎn)化的理解
沿著梯度方向函數(shù)增長(zhǎng)快，反方向下降快
?
9.深度學(xué)習(xí)模型的梯度下降算法 P9 - 02:11
?
權(quán)重變化的公式
learning rate是個(gè)超參數(shù)，
?
9.深度學(xué)習(xí)模型的梯度下降算法 P9 - 05:00
?
總結(jié)
?
10.pytorch2.0中關(guān)于神經(jīng)網(wǎng)絡(luò)訓(xùn)練API介紹 P10 - 00:16
?
訓(xùn)練過程的相關(guān)API
1、加載數(shù)據(jù)集DataLoader
不同的數(shù)據(jù)集的擺放方式不同
有的數(shù)據(jù)集的一張圖片包含不同類別，用pytorch自帶api無法加載，需要自定義
?
10.pytorch2.0中關(guān)于神經(jīng)網(wǎng)絡(luò)訓(xùn)練API介紹 P10 - 01:44
?
2、nn.Model對(duì)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行搭建
模型給出預(yù)測(cè)結(jié)果
?
10.pytorch2.0中關(guān)于神經(jīng)網(wǎng)絡(luò)訓(xùn)練API介紹 P10 - 01:56
?
3、對(duì)預(yù)測(cè)結(jié)果和標(biāo)簽的距離，定義損失函數(shù)（也有api）
?
10.pytorch2.0中關(guān)于神經(jīng)網(wǎng)絡(luò)訓(xùn)練API介紹 P10 - 02:47
?
4、損失函數(shù)求導(dǎo)
鳶尾花分類
解決方案
?
11.Dataset中自定義數(shù)據(jù)集加載 P11 - 00:26
?
dataloader.py編寫
?
11.Dataset中自定義數(shù)據(jù)集加載 P11 - 03:55
?
判斷數(shù)據(jù)路徑是否存在
?
11.Dataset中自定義數(shù)據(jù)集加載 P11 - 04:42
?
讀取數(shù)據(jù)庫read csv()
5個(gè)列，每個(gè)列取名
map方法賦值
?
11.Dataset中自定義數(shù)據(jù)集加載 P11 - 07:48
?
加載索引和真值
?
11.Dataset中自定義數(shù)據(jù)集加載 P11 - 09:21
?
數(shù)據(jù)類型轉(zhuǎn)化，轉(zhuǎn)化為pytorch可用的tensor
?
11.Dataset中自定義數(shù)據(jù)集加載 P11 - 11:49
?
數(shù)據(jù)的歸一化：有利于數(shù)值穩(wěn)定性
?
11.Dataset中自定義數(shù)據(jù)集加載 P11 - 14:06
?
獲得當(dāng)前數(shù)據(jù)集大小
?
12.nn.Module構(gòu)造神經(jīng)網(wǎng)絡(luò)模型 P12 - 03:22
?
初始化神經(jīng)網(wǎng)絡(luò)
?
12.nn.Module構(gòu)造神經(jīng)網(wǎng)絡(luò)模型 P12 - 07:12
?
前向傳播
?
12.nn.Module構(gòu)造神經(jīng)網(wǎng)絡(luò)模型 P12 - 08:57
?
計(jì)算環(huán)境和數(shù)據(jù)集劃分
?
12.nn.Module構(gòu)造神經(jīng)網(wǎng)絡(luò)模型 P12 - 17:53
?
加載數(shù)據(jù)
?
13.基于PyTorch2.0的模型訓(xùn)練、驗(yàn)證和測(cè)試 P13 - 00:10
?
推理函數(shù)定義
?
13.基于PyTorch2.0的模型訓(xùn)練、驗(yàn)證和測(cè)試 P13 - 06:31
?
定義訓(xùn)練驗(yàn)證測(cè)試的過程
?
13.基于PyTorch2.0的模型訓(xùn)練、驗(yàn)證和測(cè)試 P13 - 09:00
?
定義模型參數(shù)（更新的）
優(yōu)化器Adam
?
13.基于PyTorch2.0的模型訓(xùn)練、驗(yàn)證和測(cè)試 P13 - 11:34
?
定義權(quán)重存儲(chǔ)路徑
?
13.基于PyTorch2.0的模型訓(xùn)練、驗(yàn)證和測(cè)試 P13 - 13:40
?
開始訓(xùn)練(反復(fù)看)
?
13.基于PyTorch2.0的模型訓(xùn)練、驗(yàn)證和測(cè)試 P13 - 31:45
?
運(yùn)行
標(biāo)簽：
