PyTorch与深度学习实战-教学大纲

《PyTorch与深度学习实战》教学大纲课程名称：PyTorch与深度学习实战课程类别：必修适用专业：大数据技术类相关专业总学时：64学时（其中理论26学时，实验38学时）总学分：4.0学分课程的性质深度学习作为机器学习领域中一个新的研究方向，近年来已经在语音识别、计算机视觉等多种应用中取得了重大的突破和成果。人工智能作为“十四五规划”中的重点新兴产业，需要依托深度学习技术作为实现人工智能的重要途径。要研究和开发深度学习相关的技术，离不开深度学习框架的支持。PyTorch作为一种流行的深度学习框架，因其入门简单且运行效率相对较高，正在被越来越多的人所使用。为了满足日益增长的深度学习人才需求，特开设PyTorch与深度学习实战课程。课程的任务通过本课程的学习，使学生学会使用Python和PyTorch框架实现深度学习全流程，并详细拆解图像识别、文本生成、图像风格转换三个实际案例，将理论与实践相结合，为将来从事深度学习相关的研究、工作奠定基础。课程学时分配序号教学内容理论学时实验学时其它1第1章深度学习概述212第2章PyTorch深度学习通用流程243第3章PyTorch深度学习基础464第4章手写汉字识别685第5章文本生成686第6章基于CycleGAN的图像风格转换687第7章基于TipDM大数据挖掘建模平台实现文本生成03总计2638教学内容及学时安排理论教学序号章节名称主要内容教学目标学时1深度学习概述深度学习的基本定义深度学习的常见应用场景常见的深度学习应用技术常见的深度学习框架PyTorch的生态PyTorch的特性PyTorch的安装过程预训练模型的概念预训练模型的使用场景预训练模型的调用方法了解深度学习的定义和常见应用了解深度学习与其他领域之间的联系掌握PyTorch深度学习框架的安装方法掌握PyTorch中预训练模型的使用方法22PyTorch深度学习通用流程数据加载数据预处理常用的网络构建方法激活函数损失函数优化器迭代次数批训练评估指标了解PyTorch深度学习的通用流程掌握使用PyTorch进行数据加载和预处理的方法掌握使用PyTorch构建神经网络的方法掌握使用PyTorch编译神经网络的方法掌握使用PyTorch训练神经网络的方法掌握使用PyTorch进行性能评估的方法23PyTorch深度学习基础常用卷积神经网络算法及其结构卷积神经网络中的常用网络层基于卷积神经网络的手写数字识别常用循环神经网络算法及其结构循环神经网络中的常用网络层基于LSTM的时间序列分析常用生成对抗网络算法及其结构基于GAN的手写数字图像生成了解常用的卷积神经网络的算法理论及应用了解常用的循环神经网络的算法理论及应用了解常用的生成对抗神经网络的算法理论及应用掌握使用PyTorch实现常用深度神经网络的构建和训练的方法44手写汉字识别手写汉字识别的背景分析目标与流程加载图像数据构建网络编译网络训练网络性能评估模型预测掌握常见的数据读取方式了解书写汉字识别的相关背景掌握卷积神经网络的构建方法掌握编译、训练模型的方法掌握对模型进行性能评估、泛化测试的方法65文本生成文本生成的背景分析目标与流程文本预处理构建网络训练网络结果分析了解文本生成的背景及目标熟悉文本生成的具体流程掌握文本预处理的方法掌握搭建LSTM网络的方法掌握训练LSTM网络的方法66基于CycleGAN的图像风格转换图像风格转换的背景分析目标与流程数据准备构建网络训练网络结果分析了解图像风格转换的背景熟悉图像风格转换的步骤与流程熟悉CycleGAN的网络结构与搭建步骤掌握CycleGAN网络的训练方法6学时合计26实验教学序号实验项目名称实验要求学时1PyTorch环境配置安装驱动和CUDA环境测试驱动安装完成下载安装PyTorch12PyTorch深度学习通用流程加载及预处理猫狗分类数据构建基于CNN的猫狗分类网络编译基于CNN的猫狗分类网络训练基于CNN的猫狗分类网络评估基于CNN的猫狗分类模型性能43PyTorch深度学习基础基于卷积神经网络的手写数字识别基于LSTM的时间序列分析基于GAN的手写数字图像生成64手写汉字识别定义生成图像集路径txt文档的函数定义读取并变换图像数据格式的类加载图像数据提取时间序列数据信息构建网络编译网络训练网络性能评估模型预测85文本生成文本数据处理创建字典序列生成定义文本生成类的构造方法权重初始化构建网络设置配置项执行训练文本生成器结果分析86基于CycleGAN的图像风格转换数据准备构建残差网络block构建生成器Generator构建判别器Discriminator 设置缓存队列ReplayBuffer训练网络结果分析87基于TipDM大数据挖掘建模平台实现文本生成配置数据源文本预处理构建网络训练网络结果分析3学时合计38考核方式突出学生解决实际问题的能力，加强过程性考核。课程考核的成绩构成=平时作业（10%）+课堂参与（20%）+期末考核（70%），期末考试建议采用开卷形式，试题应包括基本概念、数据读取、数据预处理、构建网络、编译网络、训练网络、网络调参、模型评价等部分，题型可采用判断题、选择、简答、应用题等方式。教材与参考资料教材刘双星，张良均．PyTorch与深度学习实战[M]．北京：人民邮电出版社．2023．参考资料[1] 崔炜，张良均．TensorFlo