从入门到精通Pytorch深度学习！（附学习资料）

如果你正在学习深度学习，那肯定了解过pytorch，深度学习算法现在大部分都是基于Pytorch框架，因为pytorch框架使用真的非常方便

对于Pytorch学习，先推荐去看看小土堆的Pytorch入门教程，真的很基础，有时间也可以看一下刘二大人的视频

如果想要深入掌握深度学习，还是要学一些进阶的内容

这一期主要是给大家推荐一个Pytorch深度学习教程

文章中所有的数据和资料，可添加小助手无偿分享~
扫码添加小助手即可无偿获取~

也可以关注“AI技术星球”公众号，关注后回复“221C”获取。

这个教程的具体内容如下：

第一节：Pytorch基础

首先介绍Pytoch是什么，然后导入pytorch包，创建张量，介绍张量的数据类型，张量这个概念可能大家不是很好理解，不要试图去把每个维度对应到坐标系中，可以把一个维度作为一个轴，最后介绍一下张量的运算

第二节：Pytorch工作流程基础

在本模块中，我们将介绍一个标准的PyTorch工作流程，这个工作流程包括准备数据，构建模型，模型训练，模型评估，保存和加载模型等内容，最后通过一个案例把pytorch搭建深度学习模型的流程走一遍

第三节：Pytorch神经网络分类

分类就是一组数据输入，预测这些输入属于哪个类别，首先从分类神经网络的框架开始，然后准备二进制分类数据，构建Pytorch分类模型，模型拟合数据，预测和模型评估，从模型角度改进模型，引入非线性函数等

第四节：Pytorch计算机视觉

计算机视觉是深度学习的一个重要研究方向，现在落地的机器人，自动驾驶等都依赖于计算机视觉技术，pytorch计算机视觉库是torchvision，最后通过一个案例来说明pytorch实现视觉模型的流程

第五节：Pytorch自定义数据集

在实际建模的时候，可能不能直接用Pytorch内置的数据集，所以就需要自定义数据集，在 PyTorch 中，自定义数据集是通过继承 Dataset类来实现的。可以很轻松创建与datloader无缝协作的数据集，从而能够轻松地进行批量处理、打乱(shuffle)和多线程数据加载

第六节：Pytorch模块化

模块化是指将笔记本代码（来自Jupyter Notebook或Google Colab笔记本）转化为一系列不同的Python脚本，提供类似的功能，这样做可以避免我们一遍又一遍地写同样的代码

第七节：Pytorch迁移学习

首先介绍迁移学习的概念，迁移学习允许我们利用另一个模型从另一个问题中学习到的模式（也称为权重）来应对自己的问题。例如，我们可以利用计算机视觉模型从ImageNet等数据集（数百万张不同物体的图像）中学习到的模式，来驱动我们的FoodVision Mini模型

第八节：Pytorch实验追踪

当你做了很多实验的时候，实验追踪可以帮助你判断哪些方法是有效的，哪些是无效的，常见的实验追踪方法包括python dict, csv文件，打印文件，tensor board, 权重与偏差实验追踪， MLFow等

第九节：Pytorch论文复现

现在有各种各样的神经网络模型，复现论文模型是必备的一个操作，可以去arXiv, AK Twitter, Paper with code, Github等地方找相应的代码库，最后通过复现ViT模型来展示pytorch复现论文模型的过程

第十节：Pytorch模型部署

模型部署就是让别人能够调用你训练好的模型，模型部署分为端侧和云侧的部署，最后通过通过演示版Gradio应用部署FoodVision模型

学完上面的内容，就能掌握pytorch应用于深度学习的各个环节，难度不大，建议采用自带的翻译功能，阅读更加顺畅

文章中所有的数据和资料，可添加小助手无偿分享~
扫码添加小助手即可无偿获取~

也可以关注“AI技术星球”公众号，关注后回复“221C”获取。