随着深度学习的发展，深度学习框架开始大量的出现。尤其是近两年，Google、Facebook、Microsoft等巨头都围绕深度学习重点投资了一系列新兴项目，他们也一直在支持一些开源的深度学习框架。目前研究人员正在使用的深度学习框架不尽相同，有 TensorFlow 、Pytorch、Caffe、Theano、Keras等。

这些讲座长度相对简短，重点突出，非常适合碎片时间学习。通过这系列课程，我们将学习如何用PyTorch构建神经网络，并且我们非常接近于从头开始编写神经网络。这将帮助我们对神经网络和深度学习有更深入的了解。

课程每两天发布一节，目前已发布的内容包括：

PyTorch先修要求——神经网络编程系列教学大纲

PyTorch的解释——Python深度学习神经网络API

PyTorch安装——快速简便

CUDA的解释——为什么深度学习要使用GPU

Tensors 的解释——深度学习的数据结构

Rank，Axes和Shape的解释——深度学习的延伸

CNN张量形状的解释——卷积神经网络和特征映射

神经网络编程系列课程目录

第1部分：PyTorch和Tensors

第1节：PyTorch简介

PyTorch——Python深度学习神经网络API

PyTorch安装——快速、简便地安装PyTorch

CUDA——为什么深度学习使用GPU

第2节： Tensors 

Tensors——深度学习的数据结构

Rank， Axes和Shape——深度学习的延伸

PyTorch Tensors——神经网络编程

创建PyTorch Tensors——最佳选择

PyTorchTensors——Reshaping操作

PyTorch Tensors——Element-wise Operations操作

PyTorch张Tensors——Reduction 和 Access 操作

第2部分：使用PyTorch进行神经网络和深度学习

第1节：数据和数据处理

Fashion MNIST——机器学习数据集

PyTorch torchvision——带数据集和数据加载器的ETL

用于机器学习的PyTorch数据集和数据加载器

第2节：神经网络和深度学习

使用PyTorch构建神经网络

PyTorch中的CNN层的属性参数

PyTorch中的CNN前向传播实现

前向传播——将单个图像传递给神经网络

神经网络批处理——传递图像的batch

卷积神经网络张量变换

第3节：训练神经网络

使用PyTorch训练卷积神经网络

使用混淆矩阵分析CNN的结果

神经网络编程：第1部分

神经网络编程系列的第一部分包括2节内容。

第一节将介绍PyTorch及其功能，解释为什么应该首先使用PyTorch。 此外，还将介绍CUDA，这是一个在Nvidia GPU上进行并行计算的软件平台。如果你对为什么深度学习首先使用GPU有疑问，CUDA的部分将介绍这些细节！

第二节全部是关于Tensor，即深度学习的数据结构。了解张量对于成为深度学习专业人士至关重要，因此这部分将详细介绍。

当然，我们将使用PyTorch，但是我们在本节中学到的概念和操作对于理解神经网络是必要的，并且将适用于任何深度学习框架。

神经网络编程：第2部分

神经网络编程系列的第二部分将带领学习者开始构建第一个深度学习项目。

第二部分由三节内容组成。

第一部分将涵盖深度学习的数据和数据处理，以及这些与你的深度学习项目的关系。由于张量是深度学习的数据结构，我们将利用从第一部分中学到的有关张量的所有知识。我们将介绍要用于构建用于图像分类的卷积神经网络的Fashion-MNIST数据集。