陈天奇CMU新课程线上免费听，剖析DL框架底层原理，学完你也能开发mini版PyTorch/TF

丰色 发自 凹非寺
量子位 | 公众号 QbitAI

CMU又一门线下课程要在网上同步开课了。

这次，授课老师正好是机器学习领域的著名学者陈天奇。

以及CMU的副教授Zico Kolter（兼博世研究院首席人工智能科学家）。

课程名叫《深度学习系统（算法和实现）》。

这里的“深度学习系统”指的就是像PyTorch或TensorFlow这样的工具。

我们知道，深度学习能够迅速推广开来并取得成效少不了这些系统的支持。

但大部分人对于它们的态度都是“会用就完了”，对内部结构和底层运作原理并不清楚。

Kolter和陈天奇就将在这门课程中带大家深入了解其原理，并教大家实现一个基本的深度学习库，可以和小型版本的PyTorch或TensorFlow相媲美的那种。

上完这门课，我们就能在以后的“炼丹”过程中更好地利用这些工具的功能，还能学会在需要时自己上手开发扩展库做一些自定义的东西。

一位有着1.9万粉丝的机器学习从业者就表示：

如果你想充分利用你最喜欢的框架，强烈推荐。

怎么样，心动否？

9月13日开课，线上免费注册参与

该课程将在下个月13号开课。

主要面向高年级本科到博士在读阶段的学生。

需要参与者有基本的数学背景，对机器学习有一定的了解，掌握系统编程（Python和C/C++ ）和线性代数。

具体来说，课程囊括了深度学习系统的“全栈”开发：

从现代深度学习系统的高级建模设计，到自动微分工具的基本实现，再到底层高效算法的设备级实现……它将全部涉及。

通过这门课，你将学会从头开始设计和构建一个完整的深度学习库。

该库能够实现基于GPU的高效操作，自动区分所有实现的功能，并带有支持参数化层、损失函数、数据加载和优化器的必要模块。

在自己开发的这个库之上，你可以构建几种SOTA模型，包括用于图像分类和分割的卷积网络、用于语言建模等连续任务的递归网络和自注意力模型，以及用于图像生成的生成模型等。

如果你不清楚自己适不适合该课程，可以先听一听开头几节并试着完成第一次作业后再作评估。

——是的，除了纯听课，你也可以免费注册一个账号参与作业和期末大项目。

（可以说，基本和CMU学生享受一个待遇了。）

其中，日常作业一共包括四个独立完成的编程任务以及一个附加的介绍性作业（introductory homwork）。

期末项目需要2-3人组队完成，需要在你们做出来的库（not现成的PyTorch或TensorFlow）上开发一个重要的新功能，并在一个模型上实现该功能。

这份大作业除了提交代码，还需要写一个报告。

你的最终成绩将按以下比例计算：

• 日常作业：55%

• 最终项目：35%

• 课堂参与（通过课程论坛）：10%

如果合格，可以拿到一个（非正式的）结业证书。

Ps. 线上课程会比CMU实际晚俩个礼拜上传，纯视频也会在Youtube的Deep Learning Systems Course频道播放。

如果你要参与作业，一定要注册账号，链接在此：
https://docs.google.com/forms/d/e/1FAIpQLScNVr8wf8dwEz6aNYFbIgBWi9fPIDVpuwBJEGhoNZJO-cYaDA/viewform

更多课程介绍：
https://dlsyscourse.org/
https://www.youtube.com/watch?v=qbJqOFMyIwg