PyTorch深度学习教学⼤纲
《Python深度学习》教学⼤纲
《Python深度学习》课程教学⼤纲
•课程代码：
•课程名称：Python深度学习
•开课学期：
•学分/学时：3/48
•课程类型：必修
•适⽤专业/开课对象：
•先修课程：
•开课单位：
•团队负⼈：
•责任教授：
•执笔⼈：
•核准院长：
⼀、课程的性质、⽬的与任务
《Python深度学习》是软件⼯程专业中的⼀门深度学习基础课程，该课程以深度学习框架为基础，介绍了机器学习的基础知识与常⽤⽅法，以实例的⽅式学习机器学习操作的原理及其在深度学习框架下的实践步骤。主要内容包括深度学习基础知识、深度学习框架及其对⽐、机器学习基础知识、深度学习框架（以PyTorch为例）基础、Logistic回归、多层感知器、卷积神经⽹络与计算机视觉、神经⽹络与⾃然语⾔处理。并通过8个深度学习实例的学习，帮助学⽣更好的掌握深度学习知识，做到理论与实践相结合，⽅法与应⽤相结合。本课程除要求学⽣掌握以上深度学习知识，更重要的是要求学⽣掌握理论与实践结合的学习⽅式，为更深⼊地学习打下良好的基础。
⼆、教学内容及教学基本要求
1. 深度学习简介（4学时）
了解计算机视觉的定义、基本任务和传统⽅法；了解仿⽣学与深度学习的关联；了解现代深度学习和卷积神经⽹络的基础知识；了解⾃然语⾔处理的基本问题和发展趋势；了解在⾃然语⾔处理中传统⽅法与神经⽹络⽅法的⽐较；了解强化学习的概念、算法和应⽤。
2. 深度学习框架及其对⽐（4学时）
了解⽬前流⾏的深度学习框架Caffe、TensorFlow、PyTorch；了解Caffe的⽤途、特点和层及⽹络的概念；了解数据流图；了解TensorFlow的⽤途、特点和计算形式。了解PyTorch的⽤途、特点和相对于其他框架的优势；了解Caffe、TensorFlow、PyTorch三者的⽐较。
3.机器学习基础知识（4学时）
了解模型评估与模型参数选择；了解误差、训练误差、泛化误差的概念；了解模型的验证和正则化；了解监督学习与⾮监督学习；了解准确率的概念；了解不平衡类问题、召回率、精确率、查准率的定义和作⽤。
4. PyTorch深度学习基础（4学时）
了解NumPy的ndarray对象和Tensor对象；掌握Tensor对象的创建及其运算⽅式；掌握Tensor的索引、切⽚、变换、拼接和拆分；了解PyTorch的Reduction操作；了解PyTorch的⾃动微分Autograd。
5. 回归模型（4学时）
了解回归和回归模型；了解线性回归的概念；了解线性回归模型和平均平⽅误差函数；了解Logistic回归模型；掌握⽤PyTorch实现Logistic回归的⽅式，包括使⽤MultivariateNormal构造多元⾼斯分布、调⽤Linear实现线性模型、Sigmoid 激活函数、BCELoss损失函数和使⽤optim包构建优化器等相关知识；掌握将Logistic回归模型可视化的⽅法。
conference英语
激活函数、BCELoss损失函数和使⽤optim包构建优化器等相关知识；掌握将Logistic回归模型可视化的⽅法。
6. 多层感知器（4学时）
了解神经元、输⼊、连接权值向量、偏置、激活函数、输出、神经⽹络、输⼊层、输出层、隐藏层、训练、监督训练、⾮监督训练的概念；了解感知器的概念，包括单层感知器和多层感知器；了解BP（后向传播）神经⽹络、梯度下降算法和后向传播算法；了解Dropout正则化技术；了解批标准化的实现⽅式和使⽤⽅法。
7. 卷积神经⽹络和计算机视觉（4学时）
8.神经⽹络与⾃然语⾔处理（4学时）
了解语⾔建模的基本形式；了解⾃然语⾔处理基于多层感知器的架构；了解⾃然语⾔处理基于循环神经⽹络的架构，包括循环单元、通过时间后向传播、带有门限的循环单元、循环神经⽹络语⾔模型和神经机器翻译的相关知识；了解⾃然语⾔处理基于卷积神经⽹络的架构；了解⾃然语⾔处理基于Transformer的架构，包括多头注意⼒、⾮参位置编码、编码器单元与解码器单元的相关知识；了解表⽰学习与预训练技术。
9. 实验（16学时）
教学说明及教学基本要求见《Python深度学习》实验教学⼤纲。
三、教学⽅法
本课程教学⽅法以教师为主导的启发式讲授教学法为主，讨论（提问）式教学为辅，结合课外学习的教学⽅法。实验以学⽣动⼿实验为主，教师的启发式讲授教学法为辅，并结合讨论（提问）式教学，以及结合课外学习的教学⽅法。
1．本课程概念较多，因此教学形式以讲授⽅式为主。本课程拟采⽤多媒体PPT的教学⽅法，增加课堂信息，浅显通俗地对概念、定义和原理进⾏解释，增加教学的直观性，教学过程中注意各个知识点的关联性，以使学⽣更好地理解课程内容。
2．对课程中关键性概念、设计思想⽅⾯的问题可辅以课堂讨论的形式。
3．为加强和落实动⼿能⼒的培养，每章课后应安排作业，帮助学⽣学习和应⽤。
presto和mysql对比
四、课内外教学环节及基本要求
本课程共48个学时，其中理论32个学时，讲授16周（每周2学时）；实验16个学时，讲授8周（每周2学时）。
课外学习要求：
1．做好课前预习，预习时以教材为主，了解相关的概念、定义、原理。预习中认真思考，以便带着问题主动地听课。2．课后要复习，有余⼒的学⽣复习时还应阅读参考资料，认真整理课堂听课笔记。
3．要求学⽣课外⾃主学习，学⽣课外阅读的参考资料以本⼤纲所列参考资料为主。
五、考核内容及⽅式
本课程成绩由平时成绩和期末考核成绩组合⽽成，课程成绩以百分制计算，分配⽐例如下：
1．平时成绩占30%，主要考查作业的完成程度，理论课和实验课的出勤率，实验课的考试结果。其中
作业占10%，实验占15%，出勤率占5%。
2．期末成绩占70%，采⽤考试的考核⽅式。考试采⽤闭卷形式，题型为选择题、正确/错误题、填空题、简答题，以及应⽤题。
六、持续改进
本课程根据学⽣作业、课堂讨论、平时考核情况和学⽣、教学督导等反馈，及时对教学中不⾜之处进⾏改进，并在下⼀轮课程教学中改进。
七、建议教材及参考资料
建议教材：
[1] PyTorch深度学习实战：微课视频版/吕云翔，刘卓然主编.—北京：清华⼤学出版社，2021.2
《Python深度学习》实验教学⼤纲
教学内容及教学基本要求
sql语句中alter的作用1.搭建卷积神经⽹络进⾏图像分类 (2学时)
2.图像风格迁移 (2学时)
了解VGG模型的基本结构；了解图像风格迁移的含义；了解内容损失函数的定义和内容损失模块的实现；了解风格损失函数的定义和风格损失模块的实现；了解计算Gram矩阵函数的实现；了解如何搭建图像风格迁移的主程序，包括进⾏图像预处理、参数定义、模型初始化、利⽤VGG⽹络建⽴损失函数和优化过程；
3. 基于RNN的⽂本分类 (2学时)
了解如何进⾏NLP建模的预处理数据；了解将名字转换为张量的⽅法；了解构建递归神经⽹络RNN的⽅法；了解训练RNN⽹络的⽅法；了解如何绘制损失变化图；了解预测结果以及⽤户输⼊的⽅法；
5.实现对抗性样本⽣成 (2学时)
了解威胁模型的基本概念；了解快速梯度符号攻击的基本概念；了解攻击代码的实现⽅法，包括输⼊、受到攻击的模型、FGSM攻击、测试功能和运⾏攻击这五个部分；了解如何进⾏攻击结果分析；通过对抗⽰例，了解在选择epsilon值时的权衡问题；
6.实现基于LSTM的情感分析 (2学时)
了解⽂本情感分析的概念；了解⼏种情感分析常⽤的Python⼯具库；了解进⾏数据样本分析和数据预处理的⽅法；了解循环神经⽹络；了解长短期记忆神经⽹络；了解LSTM模型的实现⽅法；
7.实现DCGAN (2学时)
了解⽣成对抗⽹络的概念；了解DCGAN的基本概念；了解初始化代码的⽅法，包括初始化相关库和数据加载；了解模型实现的⽅法，包括权重初始化、⽣成器、判别器、损失函数和优化器、训练；了解分析结果的⽅法，包括损失与训练迭代次数关系图、⽣成器G的训练速度和与真实图像的对⽐；
8.视觉问答 (2学时)
了解视觉问答的基本概念；了解基于Bottom-Up Attention的联合嵌⼊模型；了解实现代码所需的准备⼯作的实现⽅法；掌握FCNet模块和SimpleClassifier模块的编写；掌握实现问题的嵌⼊模块的编写，包括词嵌⼊和RNN；了解如何实现TOP-Down Attention模块；了解组装完整的VQA系统的⽅法；了解如何运⾏VQA实验，实现训练和可视化；
技术背景
深度学习领域技术的飞速发展，给⼈们的⽣活带来了很⼤改变。例如，智能语⾳助⼿能够与⼈类⽆障碍地沟通，甚⾄在视频通话时可以提供实时翻译；将⼿机摄像头聚焦在某个物体上，该物体的相关信
息就会被迅速地反馈给使⽤者；在购
视频通话时可以提供实时翻译；将⼿机摄像头聚焦在某个物体上，该物体的相关信息就会被迅速地反馈给使⽤者；在购物⽹站上浏览商品时，机器也在同时分析着⽤户的偏好，并及时个性化地推荐⽤户可能感兴趣的商品。原先以为只有⼈类才能做到的事，现在机器也能毫⽆差错地完成，甚⾄超越⼈类，这显然与深度学习的发展密不可分，技术正引领⼈类社会⾛向崭新的世界。
最好的python入门教材
PyTorch是当前主流深度学习框架之⼀，其设计追求最少的封装、最直观的设计，其简洁优美的特性使得PyTorch代码更易理解，对新⼿⾮常友好。本书选择PyTorch作为深度学习框架，以⽅便读者阅读。
内容简介
本书以深度学习为主题，将理论与简明实战案例相结合，以加深读者对于理论知识的理解。本书⾸先介绍深度学习领域的现状，深度学习领域和其他领域技术之间的关系，以及它们的主要特点和适⽤范围；接下来，详细讲解PyTorch框架中的基本操作，并在讲解深度学习理论知识的同时，提供完整、详尽的实现过程，供读者参考。相信读者在阅读完本书后，会对深度学习有全⾯⽽深刻的了解，同时具备相当强的实践能⼒。
上下滚动查看↓
⽬录
基础篇
第1章深度学习简介
1.1计算机视觉
1.1.1定义
1.1.2基本任务
1.1.3传统⽅法
1.1.4仿⽣学与深度学习
1.1.5现代深度学习
1.1.6⼩结
1.2⾃然语⾔处理
正则表达式6位数字怎么写1.2.1⾃然语⾔处理的基本问题
1.2.2传统⽅法与神经⽹络⽅法的⽐较
1.2.3发展趋势
1.3强化学习
1.3.1什么是强化学习
1.3.2强化学习算法简介
1.3.3强化学习的应⽤
第2章深度学习框架
2.1Caffe
对数函数的导数怎么求
2.1Caffe
2.1.1Caffe简介
2.1.2Caffe的特点
2.1.3Caffe概述
2.2TensorFlow
2.2.1TensorFlow简介
2.2.2数据流图
2.2.3TensorFlow的特点2.2.4TensorFlow概述
2.3PyTorch
2.3.1PyTorch简介
2.3.2PyTorch的特点
2.3.3PyTorch概述
2.4三者的⽐较
2.4.1Caffe
2.4.2TensorFlow
2.4.3PyTorch
第3章机器学习基础知识3.1模型评估与模型参数选择3.1.1验证
3.1.2正则化
3.2监督学习与⾮监督学习3.2.1监督学习
3.2.2⾮监督学习
第4章PyTorch深度学习基础4.1Tensor对象及其运算4.2Tensor的索引和切⽚

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。