近年来，Python语言由于其开源、简单等特点，受到了广大程序开发者的偏爱，丰富的函数库使得其在各行各业中得到了广泛的应用。伴随着新一轮人工智能（尤其是深度学习）的快速发展，许多深度学习框架应运而生，譬如：Tensorflow、Keras、Caffe、PyTorch等。其中，PyTorch作为后起之秀，发展非常迅猛，在学术界逐渐占据垄断地位，许多计算机顶级期刊、会议的最新文章的源代码都采用PyTorch深度学习框架。
目标：
1. 掌握Python基础编程及常用的科学计算模块库的使用方法
2. 掌握主流的深度学习框架直接的区别与联系
3. 掌握PyTorch深度学习框架的安装与环境配置方法
4. 掌握张量（Tensor）的定义、创建方法、运算、索引操作等
5. 掌握PyTorch的动态计算图与自动求导（Autograd）机制
6. 掌握PyTorch常用工具包及API（torchvision、torch.nn、torch.optim、torch.utils等）的使用方法
7. 掌握前向型神经网络的基本原理、代码实现，以及模型参数优化、模型评价等方法与技巧
8. 掌握卷积神经网络的基本原理、进化史、代码实现、案例实战
9. 掌握PyTorch Lightning的安装、使用方法
10. 掌握迁移学习的基本原理、代码实现、案例实战
11. 掌握生成式对抗网络的基本原理、代码实现、案例实战
12. 掌握RNN、LSTM的基本原理、代码实现、案例实战
13. 掌握目标检测YOLO模型的基本原理、代码实现、案例实战
一、Python基础知识
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）
二、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机制、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）
三、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））
四、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）
五、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？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、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
6、实操练习
7、PyTorch Lightning简介与快速入门（PyTorch Lightning与PyTorch的联系、PyTorch Lightning安装、案例演示）
六、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）
七、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）
八、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）
九、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
（2）数据标注演示
（3）训练自己的目标检测数据集