“PyTorch 深度学习:60分钟快速入门”为PyTorch官网教程,网上已经有部分翻译作品,随着PyTorch1.0版本的公布,这个教程有较大的代码改动,本人对教程进行重新翻译,并测试运行了官方代码,制作成Jupyter Notebook文件(中文注释)在github予以公布。
本教程的目标:
- 在高层次上理解PyTorch的张量(Tensor)库和神经网络
- 训练一个小型神经网络对图像进行分类
- 本教程假设您对numpy有基本的了解
注意:务必确认您已经安装了 torch 和 torchvision 两个包。
目录
- 一、Pytorch是什么?
- 二、AUTOGRAD
- 三、神经网络
- 四、训练一个分类器
- 五、数据并行
图:翻译截图
2.PyTorch 中文手册(pytorch handbook)(github标星7900+)
这是一本开源的书籍,目标是帮助那些希望和使用PyTorch进行深度学习开发和研究的朋友快速入门。我试了一下里面的ipynb代码,非常全面,值得推荐。
资源目录:
第一章 :PyTorch入门
第一节 PyTorch 简介
第二节 PyTorch 环境搭建
第三节 PyTorch 深度学习:60分钟快速入门(官方)
张量
Autograd:自动求导
神经网络
训练一个分类器
选读:数据并行处理(多GPU)
4.相关资源介绍
第二章 : 基础
第一节 PyTorch 基础
张量自动求导神经网络包nn和优化器optm数据的加载和预处理
第二节 深度学习基础及数学原理
深度学习基础及数学原理
第三节 神经网络简介
神经网络简介
第四节 卷积神经网络
卷积神经网络
第五节 循环神经网络
循环神经网络
第三章 : 实践
第一节 logistic回归
logistic回归二元分类
第二节 CNN:MNIST数据集手写数字识别
CNN:MNIST数据集手写数字识别
第三节 RNN实例:通过Sin预测Cos
RNN实例:通过Sin预测Cos
第四章 : 提高
第一节 Fine-tuning
Fine-tuning
第二节 可视化
visdomtensorboardx可视化理解卷积神经网络
第三节 Fast.ai
Fast.ai
第五节 多GPU并行训练
多GPU并行计算
第五章 : 应用
第一节 Kaggle介绍
Kaggle介绍
第二节 结构化数据
第三节 计算机视觉
第四节 自然语言处理
3.Pytorch教程(github标星13600+)
资源介绍:
这个资源为深度学习研究人员提供了学习PyTorch的教程代码大多数模型都使用少于30行代码实现。在开始本教程之前,建议先看完Pytorch官方教程。(大部分教程是PyTorch0.4实现的,代码与1.0+稍微有点不同,总体影响不大)
配置环境:
python 2.7或者3.5以上,pytorch 0.4
资源目录:
1.基础知识
- PyTorch基础知识
- 线性回归
- Logistic回归
- 前馈神经网络
2.中级
- 卷积神经网络
- 深度残差网络
- 递归神经网络
- 双向递归神经网络
- 语言模型(RNN-LM)
3.高级
- 生成性对抗网络
- 变分自动编码器
- 神经风格转移
- 图像字幕(CNN-RNN)
4.工具
- PyTorch中的TensorBoard