PyTorch 入門

BurgeoningCourse

只能經由邀請註冊這課程

課程基本資訊

中階課程

影片時數：約 3 小時

授課語言/字幕：皆為繁體中文

老師駐課答題日期：2021/1/18~2021/1/31（後續仍可繼續觀看教材）

費用：免費（領取方式）

此為免費自學課程，老師不一定會在課程討論區回答問題。

課程簡介

TensorFlow 和 PyTorch 皆是 Python 實作深度學習的熱門框架，但近幾年來，PyTorch 因其沿襲 Python 簡潔的特性，而且語法設計與 Numpy 相似，都讓 PyTorch 更為易學、易用。目前 PyTorch 已成為國際頂尖 AI 研討會最熱門的深度學習框架。

在這門課程中，您可以學到：

建立深度學習 GPU 開發環境或使用 Google Colab。
深度學習基礎知識。
PyTorch 基本資料結構：tensor。
PyTorch 自動求導（autograd）。
使用 PyTorch 建立線性迴歸模型。
使用 PyTorch 建立神經網路模型。

#您可以獲得的技能

#PyTorch#tensor#autograd#Google Colab #CUDA環境設置 #線性迴歸 #神經網路 #激勵函數（Activation Function） #反向傳播法（Backpropagation） #損失函數（Loss Function） #最佳化方法（Optimization）

先備知識

需基礎微積分知識以理解課程中的數學推導。
熟悉 Python 基礎語法及資料結構（或修習過補根課程「Python 程式語言入門」）。

課程大綱

課程中附範例程式，供大家參考練習。

主題	內容
GPU 深度學習開發環境	建立 GPU 加速運算環境：安裝及設定 CUDA、cuDNN Google Colab 介紹與操作示範（附免費 GPU）
PyTorch 基礎觀念與實作	Why PyTorch? 基本資料結構：tensor tensor 數值型態與基本運算廣播（broadcasting） tensor 索引（Indexing）和切片（Slicing）
深度學習基礎知識	線性迴歸與梯度下降（Gradient Descent）感知器（Perceptron）、神經元（Neuron）神經網路（Neural Network）激勵函數（Activation Function）：Sigmoid、ReLU 等多類別分類方法：Softmax 反向傳播法（Backpropagation）損失函數（Loss Function）：MSE、Cross Entropy 等模型權重最佳化（Optimization）方法：SGD、AdaGrad、RMSProp、Adam 等
使用 PyTorch 建立神經網路	使用 GPU 運算自動求導（autograd）使用 PyTorch 建立線性迴歸模型使用 PyTorch 建立神經網路模型

備註：開課後課程內容仍會根據同學需求做部分調整，若對授課內容有任何需求或建議歡迎提出。

課程示範環境

Google Colab

Python 3.6.9
PyTorch 1.7.0
CUDA 10.1

授課教師

徐浩軒

「補根課程」（Burgeoning Course）共同創辦人

「Python 資料科學與人工智慧」FB粉絲專頁共同創辦人

清華大學資訊系統與應用研究所博士

清華大學資訊工程學系學士

目前已開設「Python 資料科學實作」、「Python 機器學習與深度學習實作」、「Python 金融數據分析與預測實作」、「Python 自然語言處理實作」、「Python 資料視覺化入門：讓圖說出好故事」等課程，累積學生超過兩千位。

期刊著作

H. H. Hsu and N. F. Huang, "Xiao-Shih: A Self-Enriched Question Answering Bot With Machine Learning on Chinese-Based MOOCs," in IEEE Transactions on Learning Technologies, vol. 15, no. 2, pp. 223-237, 1 April 2022, doi: 10.1109/TLT.2022.3162572.

翻譯著作

《領域驅動設計學習手冊》（歐萊禮，2023）
《打造機器學習應用｜從構想邁向產品》（歐萊禮，2021）

專利

孫宏民、徐浩軒、黃能富、韓傳祥「車禍嚴重度預測方法及裝置、電腦可讀取的記錄媒體」中華民國發明專利號 I801082。

若對本課程有任何問題，歡迎來信詢問：burgeoningcourse@gmail.com

BurgeoningCourse: PT001 PyTorch 入門