Deep Learning (PyTorch 实践)

这是一个基于 PyTorch 框架的深度学习学习与实践项目。本项目通过 Jupyter Notebook 的形式，记录了从深度学习基础模型到高级卷积神经网络（CNN）的实现过程及各种优化技巧。

⚠️ 项目状态：正在持续更新中... ⏳

🚀 项目结构

本项目按照章节划分，涵盖了深度学习的各个核心模块：

📁 chapter_1_torch - 深度学习基础

• 分类与回归：基础的分类模型与回归模型实现。
• 神经网络组件：
  • DNN（深度神经网络）的构建。
  • Batch Normalization (BN)：批归一化实践。
  • SELU & Dropout：激活函数与正则化技巧。
• 进阶架构：
  • Wide & Deep 模型实现。
  • 多输入（Multi-input）与多输出（Multi-output）模型。
• 超参数搜索：学习如何通过程序化方式寻找最优超参数。

📁 chapter_2_torch - PyTorch 进阶 API 与自定义

• 基础 API 深入：深入理解 PyTorch 的核心操作。
• 自定义组件：
  • 自定义损失函数（Customized Loss）。
  • 自定义层（Customized Layer）。
• 自动微分：探讨 PyTorch 的 autograd 机制。

📁 chapter_3_torch - 数据处理

• Dataset API：学习如何高效地加载、预处理和管理训练数据。

📁 chapter_4_torch - 卷积神经网络 (CNN)

• CNN 基础：卷积层、池化层的堆叠与实现。
• Separable CNN：可分离卷积的实践，提升模型效率。
• 实战案例：
  • 10 Monkeys 识别：基于真实数据集的图像分类。
  • Cifar10：经典的图像分类基准测试。
  • ResNet50 Finetune：学习如何利用预训练模型进行迁移学习。

📁 chapter_5_torch - 模型可视化与进阶技巧

• VGG 网络：经典 VGG 架构的实现。
• 可视化工具：Tensorboard 在 PyTorch 中的应用（查看指标、激活值等）。
• 优化进阶：
  • 初始化器（Initializer）与优化器（Optimizer）的选择。
  • 图像增强（Image Augmentation）：通过数据增强提升模型泛化能力。

---

🛠️ 环境要求

• Python 3.x
• PyTorch
• torchvision
• Jupyter Notebook / JupyterLab
• Matplotlib, NumPy, Pandas
• Tensorboard (用于第五章可视化)

📖 如何使用

1. 克隆仓库：

   git clone https://github.com/logcoke/Deep_Learning.git

2. 进入对应章节目录，启动 Jupyter Notebook：

   jupyter notebook

3. 按照笔记中的注释和代码顺序运行即可。

---

📝 待办事项 (TODO)

• 完善循环神经网络 (RNN/LSTM) 章节
• 增加生成对抗网络 (GAN) 相关内容
• 探索 Transformer 架构在视觉或序列任务中的应用
• 增加更多实战数据集的 Finetune 示例

---

作者: logcoke