🚨注意🚨 ：最近经粉丝反馈，发现有些订阅者将此专栏内容进行二次售卖，特在此声明，本专栏内容仅供学习，不得以任何方式进行售卖，未经作者许可不得对本专栏内容行使发表权、署名权、修改权、发行权、转卖权、信息网络传播权，如有违者，追究其法律责任。

大家好，我是阿光。

本专栏整理了《PyTorch深度学习项目实战100例》，内包含了各种不同的深度学习项目，包含项目原理以及源码，每一个项目实例都附带有完整的代码+数据集。

正在更新中~ ✨

🚨 我的项目环境：

• 平台：Windows10
• 语言环境：python3.7
• 编译器：PyCharm
• PyTorch版本：1.8.1

🌠 『精品学习专栏导航帖』

• 🎠 【Pandas数据处理100例目录】Python数据分析玩转Excel表格数据 🎠
• 🐳 最适合入门的100个深度学习实战项目 🐳
• 🐙 【PyTorch深度学习项目实战100例目录】项目详解 + 数据集 + 完整源码 🐙
• 🐶 【机器学习入门项目10例目录】项目详解 + 数据集 + 完整源码 🐶
• 🦜 【机器学习项目实战10例目录】项目详解 + 数据集 + 完整源码 🦜
• 🐌 Java经典编程100例 🐌
• 🦋 Python经典编程100例 🦋
• 🦄 蓝桥杯历届真题题目+解析+代码+答案 🦄
• 🐯 【2023王道数据结构目录】课后算法设计题C、C++代码实现完整版大全 🐯

📢 数据集下载链接

• PyTorch深度学习项目实战100例数据集下载链接

💖 项目链接

序号	项目名称
1	使用文心大模型ERNIE-ViLG生成图片
2	Python+OpenCV+MediaPipe手势识别系统
3	Python+OpenCV+MediaPipe实时人流检测
4	使用PyTorch实现验证码识别
5	利用pytorch长短期记忆网络LSTM实现股票预测分析
6	使用pytorch实现LSTM自动AI作诗（藏头诗和首句续写）
7	基于pytorch使用LSTM进行文本情感分析
8	基于pytorch使用LSTM进行谣言检测
9	基于pytorch使用LSTM实现新闻本文分类任务
10	基于pytorch使用LSTM实现文本匹配任务
11	使用GRU进行天气变化的时间序列预测
12	基于vgg16进行迁移学习服装分类
13	基于Inception v2实现判别mnist手写数据集
14	基于LSTM实现春联上联对下联
15	基于词级ngram的词袋模型对twitter数据进行情感分析
16	基于CNN 卷积神经网络手写数字图像识别
17	基于PyTorch搭建LSTM模型实现风速时间序列预测
18	基于PyTorch搭建RNN模型实现风速时间序列预测
19	PCA降维：简易人脸识别模型
20	聚类算法用于降维，KMeans的矢量量化应用（图片压缩）
21	基于PyTorch搭建MLP(ANN)模型实现风速时间序列预测
22	基于PyTorch搭建LSTM+CNN模型实现风速时间序列预测
23	基于ResNet18实现昆虫分类任务
24	基于PyTorch搭建CNN(一维卷积Conv1D)模型实现风速时间序列预测
25	基于PyTorch搭建LSTM+注意力机制(Attention)模型实现风速时间序列预测
26	基于双向BiLSTM实现微生物图像分类
27	基于RNN实现微博热点新闻分类
28	基于BiGRU短期电力负荷预测方法
29	基于UNet对DRIVE视网膜进行图像分割
30	基于UNet实现血管瘤超声图像分割
31	基于ResNet101实现猴痘病毒识别任务
32	基于ShuffleNet实现中草药识别任务
33	使用文心大模型ERNIE-GEN-COUPLET一键对联生成
34	基于AnimeGAN模型生成宫崎骏风格动漫照片
35	基于LSTM + 注意力机制（self-attention）进行天气变化的时间序列预测
36	基于自注意力机制（Self-Attention）对twitter数据进行情感分析
37	基于TF-IDF与KMeans的海量新闻文本聚类
38	基于一维卷积Conv1D进行天气变化的时间序列预测
39	基于GoogLeNet实现鸟类识别任务
40	基于一维卷积Conv1D对电商评论数据文本情感分类
41	基于DenseNet121实现26个英文字母识别任务
42	基于Transformer实现电影评论星级分类任务
43	基于Transformer实现Twitter文本隐喻二分类
44	基于CNN实现冠状病毒推文NLP文本分类
45	基于RNN+CNN实现NLP判别新闻真伪
46	基于MobileNetv3实现人脸面部表情识别
47	基于MnasNet实现垃圾分类任务
48	基于Transformer实现100项体育运动分类
49	基于AlexNet实现宠物小精灵（宝可梦）分类任务
50	基于LeNet5实现交通标志分类任务
51	基于ResNet50实现多目标美味蛋糕图像分类
52	基于ViT（Vision_Transformer）识别七龙珠超级赛亚人
53	基于AutoEncoder的图像降噪实战
54	基于Conv3D实现三维立体MNIST数据集分类
55	基于一维卷积Conv1D实现猫狗叫声语音识别
56	基于LSTM实现乐器声音音频识别
57	基于RNN实现垃圾邮件辨别
58	基于Pyramid Vision Transformer（PVT-v2）实现奥特曼识别
59	基于CNN实现3D MNIST数字识别
60	基于CNN卷积神经网络实现中文手写汉字识别
61	基于word2vec（CBOW）方法训练词向量
62	基于CNN实现书法字体风格识别任务
63	基于CNN实现视频动作分类任务
64	基于MediaPipe实现人脸五官定位检测
65	基于PaddleOCR识别火车票信息
66	基于MFCC对GTZAN音乐流派分类
67	基于Transformer实现人格个性指示
68	8行代码实现验证码识别
69	使用1*1卷积实现咖啡豆图像分类
70	Pytorch时间序列电力数据多输出预测
71	基于Pytorch的语音情感识别系统
72	基于Pytorch的中文问题相似度实战
73	基于CNN卷积神经网络实现手势识别
74	基于GAN（生成对抗网络）生成动漫人物图像
75	基于vgg19的梵高图像风格迁移
76	基于Embedding + LSTM + CNN进行二手车价格预测
77	基于TextCNN实现情感分析任务
78	基于FastText实现情感二分类任务
79	基于DPCNN实现电商情感分析任务
80	基于Pytorch+Bert实现电商情感多分类任务
81	基于ERNIE2.0文心大模型实现中文短文本分类任务
82	基于飞浆ERNIE3.0百亿级大模型实现中文短文本分类任务
83	基于TextRNN实现情感短文本分类任务
84	基于TextRCNN实现中文短文本分类任务
85	基于BiLSTM-Attention实现中文文本分类任务
86	基于CharCNN实现中文情感分类任务
87	基于Google的预训练模型XLNet实现电商情感多分类任务
88	基于GPT2实现中文新闻文本分类任务
89	基于PyTorch+HAN实现中文情感分类任务
90	基于PyTorch+Conv-GRNN & LSTM-GRNN实现中文情感分类任务
91	基于PyTorch+TextCNN实现英文长文本诗歌文本分类
92	基于PyTorch+LSTM实现共享单车需求预测
93	基于BiLSTM-Attention实现天气变量预测风速
94	基于PyTorch+LSTM的交通客流预测（时间序列分析）
95	基于Pytorch+CNN实现英文文本语义相似度
96	基于MultinomialNB多项式贝叶斯分类器实现中文文本情感分类任务
97	基于PyTorch+CNN实现谣言检测任务
98	基于PyTorch+Attention注意力机制实现天气变化的时间序列预测
99	基于PyTorch+CNN一维卷积实现短期电力负荷预测
100	基于PyTorch+Transformer实现谣言检测系统

部分数据集以及项目实现思路来自互联网，仅供参考，若侵权，联系删除

强化学习作为行为主义 人工智能 学派的典型代表，近几年与深度 神经网络 相结合形成的深度强化学习(DRL)，达到了令人惊叹的智能水平：2015年DQN智能体玩视频游戏超越人类水平，2017年基于PPO算法的Open Five在《Dota》游戏中战胜人类顶尖职业玩家，2019年基于DRL的AlphaStar在《星际争霸II》游戏中战胜人类顶尖职业玩家。深度强化学习为通用 人工智能 (AGI)带来了新的希望！ 然而，深度强化学习理论较为抽象，学习曲线陡峭，需要大量的时间和精力才能 入门 ，很多硕士和博士往往浪费了大量时间在 入门 阶段，耽误了学习和科研进度。 《深度强化学习极简 入门 与Pytorch实战》课程的特点之一：精炼而不失重点。本门课程深入浅出，根据多年深度强化学习科研和 项目 实践经验，选取了强化学习 入门 所必须掌握的知识点，为学员构建一个最小而必要的强化学习知识体系，为后续的研究和论文专业以及工程实践打下坚实的基础。 《深度强化学习极简 入门 与Pytorch实战》课程的特点二：强调实战。为每个知识点精心设计设计编 《 深度学习 100 例》系列在昨天已经完成了第20博客！ 这是一个漫长的过程，中途遇见也结识了不少优秀的伙伴，这里简单介绍一下这90天做的事情 1. 深度学习 100 例-卷积 神经网络 （CNN）实现MNIST手写数字识别 | 第1天 这篇文章作为《 深度学习 100 例》的首篇文章，我使用了最简单也最经典的案例 – MNIST手写数字识别。极简化了 神经网络 程序，当然，如何你是一个从来没了接触过 深度学习 的小白，那我建议你可以先看这个专栏：《小白 入门 深度学习 》 使用的是MNIST数据集，MNIST