使用 PyTorch 的應用深度學習（從零到大師）
本課程以最流行的機器學習研究框架 PyTorch 為基礎，提供深度學習的全面入門。從張量基礎開始，學生將逐步掌握完整的機器學習工作流程、電腦視覺、模組化軟體工程、遷移學習以及模型部署。課程採用「程式為先」的教學方式，強調動手實作與實驗。
課程總覽
內容摘要
本課程提供使用 PyTorch 進行深度學習的全面入門，PyTorch 是目前機器學習研究中最受歡迎的框架。從張量基礎開始，學生將逐步掌握完整的機器學習工作流程、電腦視覺、模組化軟體工程、遷移學習以及模型部署。課程採「以代碼為先」的教學方式，強調實作與實驗，確保學生不僅理解理論，還能建立、優化並部署穩健的深度學習系統。
核心目標簡述：熟練掌握整個 PyTorch 生態系統，從基礎數學出發，最終實現可投入生產的電腦視覺應用。
學習目標
- 從基礎的張量操作到模型訓練、評估與儲存，完整實現 PyTorch 機器學習工作流程。
- 設計並部署深度學習架構，包括人工神經網絡（ANN）與卷積神經網絡（CNN），用於複雜分類與電腦視覺任務。
- 透過採用標準化的工程實務與目錄結構，將實驗性程式碼轉換為可投入生產、模組化的軟體。
- 使用進階技術如遷移學習與系統性的實驗追蹤（TensorBoard），在自訂資料集上取得最尖端的成果。
- 處理並部署訓練完成的模型至互動式網頁應用程式，並利用現代 PyTorch 2.0 特性加速推理效能。
課程
Lesson
本节课探讨了深度学习中实验追踪的重要性，强调通过自动化记录超参数、环境配置及训练指标，解决模型复现性危机。课程旨在帮助学生建立“单一事实来源”（SSOT），从而实现高效的调试、优化及模型部署。
本课程重点讲解如何将深度学习论文中的理论架构转化为高效的 PyTorch 代码，通过模块化设计和系统性调试技巧，提升构建复杂模型（如 Vision Transformer）的工程能力。学习目标包括掌握张量维度追踪、理解数学公式的矩阵运算实现，以及通过拆解论文架构来制定精确的开发蓝图。
本节课重点介绍了将PyTorch模型从实验环境迁移至生产环境的部署流程，涵盖了模型推理模式的转换、高效模型制品的创建以及构建低延迟、高可用服务架构的关键原则。课程强调了通过模块化代码、无状态设计及模型序列化优化，确保模型在生产环境中实现稳定且高效的推理服务。