第一阶段：基础知识（2-3周）
第1周：Python与机器学习基础
- Python数据结构与NumPy基础
- 张量概念与线性代数基础
- 机器学习基本概念
第2-3周：PyTorch核心
- 张量操作与计算图
- 自动微分（autograd）机制
- 数据加载与预处理（DataLoader, Dataset）
- 构建神经网络模块（nn.Module）
第二阶段：深度学习基础（4-6周）
第4周：线性模型与优化器
- 线性回归与逻辑回归实现
- 优化器（SGD, Adam等）
- 损失函数与评估指标
第5-6周：基础神经网络
- 多层感知机（MLP）
- 卷积神经网络（CNN）
- 循环神经网络（RNN, LSTM, GRU）
第7-8周：训练技巧
- 模型保存与加载
- 学习率调度
- 正则化技术
- 迁移学习
第三阶段：进阶应用（6-8周）
第9-10周：计算机视觉
- 图像分类
- 目标检测
- 图像分割
- 视觉Transformer
第11-12周：自然语言处理
- 词嵌入
- 序列到序列模型
- Transformer架构
- 预训练语言模型应用
第13-14周：生成模型
- 自编码器
- 变分自编码器（VAE）
- 生成对抗网络（GAN）
- 扩散模型
第四阶段：工程实践（4-6周）
第15-16周：模型部署
- 模型量化与优化
- TorchScript与ONNX导出
- 服务化部署
- 移动端部署
第17-18周：高级训练技术
- 分布式训练
- 混合精度训练
- 梯度累积与梯度裁剪
- 模型剪枝与蒸馏
第19-20周：项目实战
- 完整项目流程
- 模型性能优化
- 工业级代码实践
