finish nn

Author: L1aoXingyu

README.md

@@ -26,19 +26,19 @@ Learn Deep Learning with PyTorch
 - Chapter 3: 神经网络
     - [线性模型与梯度下降](https://github.com/SherlockLiao/code-of-learn-deep-learning-with-pytorch/blob/master/chapter3_NN/linear-regression-gradient-descend.ipynb)
     - [Logistic 回归与优化器](https://github.com/SherlockLiao/code-of-learn-deep-learning-with-pytorch/blob/master/chapter3_NN/logistic-regression/logistic-regression.ipynb)
-    - Module和Sequential
-    - 模型保存和读取
-    - 自定义参数的初始化
+    - [多层神经网络，Sequential 和 Module](https://github.com/SherlockLiao/code-of-learn-deep-learning-with-pytorch/blob/master/chapter3_NN/nn-sequential-module.ipynb)
+    - 参数初始化方法
     - 优化算法
-    - 多层神经网络
 
 - Chapter 4: 卷积神经网络
-    - 从0开始手动搭建卷积网络
-    - 批标准化
+    - 卷积网络介绍以及 PyTorch 中的卷积模块
     - 使用重复元素的深度网络，VGG
     - 更加丰富化结构的网络，GoogLeNet
     - 深度残差网络，ResNet
     - 稠密连接的卷积网络，DenseNet
+    - 更好的训练卷积网络：数据增强、批标准化、dropout和正则化方法
+    - 灵活的数据读取介绍
+    - Fine-tuning: 通过微调进行迁移学习
 
 - Chapter 5: 循环神经网络
     - LSTM和GRU
@@ -47,48 +47,33 @@ Learn Deep Learning with PyTorch
     - Word Embedding和N-Gram模型
     - Seq-LSTM做词性预测
 
-- Chapter 6: PyTorch高级
-    - tensorboard可视化
-    - 各种优化算法
-    - autograd.function的介绍
-    - 数据并行和多GPU
-    - PyTorch的分布式应用
-    - 使用ONNX转化为Caffe2模型
+- Chapter 6: 生成对抗网络
+    - 自动编码器
+    - 变分自动编码器
+    - 生成对抗网络的介绍
+    - 深度卷积对抗网络(DCGANs)
+
+- Chapter 7: PyTorch高级
+    - tensorboard 可视化
+    - 优化算法
+    - autograd.function 的介绍
+    - 数据并行和多 GPU
+    - PyTorch 的分布式应用
+    - 使用 ONNX 转化为 Caffe2 模型
+    - PyTorch 写 C 扩展
 
 ### part2: 深度学习的应用
-- Chapter 7: 计算机视觉
+- Chapter 8: 计算机视觉
     - 图像增强的方法
     - Fine-tuning: 通过微调进行迁移学习
-    - 语义分割: 通过FCN实现像素级别的分类
-    - 使用卷积网络进行目标检测
-    - 使用triplet loss进行人脸识别
+    - 语义分割: 通过 FCN 实现像素级别的分类
     - Neural Transfer: 通过卷积网络实现风格迁移
     - Deep Dream: 探索卷积网络眼中的世界
 
-- Chapter 8: 自然语言处理
-    - char rnn实现文本生成
-    - 联合卷积网络实现图片字幕
-    - 使用rnn进行情感分析
-    - seq2seq实现机器翻译
-    - cnn+rnn+attention实现文本识别
-    - Tree-lstm实现语义相关性分析
-
-### part3: 高级内容
-- Chapter 9: 生成对抗网络
-    - 自动编码器
-    - 变分自动编码器
-    - 生成对抗网络的介绍
-    - 深度卷积对抗网络(DCGANs)
-    - Wasserstein-GANs
-    - 条件生成对抗网络(Conditional
-     GANs)
-    - Pix2Pix
-
-- Chapter 10: 深度增强学习
-    - 深度增强学习的介绍
-    - Policy gradient
-    - Actor-critic gradient
-    - Deep Q-networks
+- Chapter 9: 自然语言处理
+    - char rnn 实现文本生成
+    - seq2seq 实现机器翻译
+    - cnn+rnn+attention 实现文本识别
 
 ## 一些别的资源