（内容将不断更新）
为方便大家理解代码，我编写了这些教程，并保持不停更新。为方便大家理解算法及代码原理，不浪费时间在配置环境上，下面代码均能顺利在 Google 云端 GPU 平台在线运行，并能够非常快速的运行出结果。
大家注意，列表里的所有代码上方都有一个“Open in Colab”的图标，点击以后就可以直接在 Google Colab 平台打开，也可以在平台直接运行。需要使用GPU的话，可以在Colab的菜单 "代码执行工具" → "更改运行时类型" 里进行设置。
代码都浅显易懂，添加了大量的备注及说明，有不明白的地方，可以调试中间结果观察数据的变化情况。不明白怎么调试，可以随时联系我。
🟢 01 【 Python图像处理基础 】
🟢 02 【 PyTorch基础 】
🟢 03 【 写一个简单的网络解决Spiral classifciation问题 】
🟢 04 【 写一个2层的网络解决回归问题 】
🟢 05_01 【 写一个LeNet应用于MNIST分类 】分类准确率轻松达到96%，下一课换稍难些的CIFAR10
🟢 05_02 【 写一个LeNet应用于CIFAR10分类 】CIFAR10数据集相对较难，分类准确率只有64%，下一课换更好的VGG网络
🟢 05_03 【 写一个VGG应用于CIFAR10分类 】使用VGG网络，准确率提升至84.92 %，下一课我们适当缓冲下，学习下VGG在迁移学习中的应用
🟢 05_04 【 VGG迁移学习进行猫狗大战 】海量高分辨率图像的训练，比较玄学，很难得到一个好的网络。这里我们学习在pretrained VGG网络上 fine-tune，分类猫狗图片
🟢 05_05 【 写一个GoogLeNet应用于CIFAR10分类 】手写InceptionV3，准确率提升至85.40%
🟢 05_06 【 写一个ResNet18应用于CIFAR10分类 】手写ResNet18，准确率提升至85.96%
🟢 06 【 自编码器与降噪自编码器 】这节课学习用自编码器重建MNIST，同时观察加入denoising后，自编码器在MNIST重建上的性能变化
🟢 07 【 用变分自编码器生成数字 】输入随机噪声，生成数字图像
🟢 08 【 写简单的GAN网络生成double moon 数据 】
🟢 09 【 CGAN和DCGAN在mnist上的应用 】
此外，我还整理了一些典型论文代码的 pytorch 实现，添加解释说明和备注放在 colab 平台上了，供大家学习，具体如下：
✅ 【基于 PCA 和 k-means 的遥感图像变化检测】 IEEE GRSL 2009
✅ 【3D-2D CNN feature hierarchy 高光谱分类】 IEEE GRSL 2020
✅ 【Deep Hyperspectral Prior 无监督的高光谱图像去噪】 IEEE CVPR 2019 workshop
✅ 【 Squeeze-and-Excitation Net应用于CIFAR10分类 】CVPR 2018
✅ 【 MobileNetV1应用于CIFAR10分类 】谷歌2017年提出
✅ 【 MobileNetV2应用于CIFAR10分类 】CVPR 2018
✅ 【 GhostNet 】CVPR 2020
✅ 【代码短小精悍的无监督图像分割】 ICASSP 2018
✅ 【CBDNet 图像去噪】 CVPR 2019
✅ 【DSCMR_ 深度监督跨模态数据检索（图像-文本）】 CVPR 2019
联系方式：gaofeng@ouc.edu.cn