PyTorch 使用進階：多 GPU 多進程訓練和預測，混合精度訓練方法。

目標檢測中關於回歸（reg）的兩個指標的改進。一個是 NMS 中作為依據的 cls 分数，另一個是不直接反應 IoU 的 SmoothL1 損失值。

来自 Google Brain 的 EfficientNet 和 EfficientDet 为图像分类和检测构造了一个优质 Baseline 网络，并提出了一种放大网络的方法以速度换取更高的精度。

实时目标检测方法 YOLO 从 v1 到 v4 的进化过程，及其相关算法的步骤分析。

反向傳播的基本原理，和反向傳播在卷積網絡中的幾個常見层的具體分析，以及一些 PyTorch 反向圖、優化器的相關知識。

一些深度學習中常用的損失函数，以及它們在 PyTorch (TensorFlow) 中的使用和行為。

PyTorch 使用基礎：構建網絡模型的一些常用方法，class nn.Module 的一些常用属性，utils.data 中構建輸入数據相關的方法。

深度学习中 Detection 与 Segmentation 常用数据集 COCO 和 CityScapes 的介绍以及使用，包括标注格式、API/Script、可视化等等。

Numpy 和 PyTorch 中的各种索引操作的过程和结果。