thorough-pytorch

深入浅出PyTorch项目介绍

一、项目初衷

《深入浅出PyTorch》是一个旨在帮助学习者系统掌握PyTorch的课程，通过结合理论知识和实际操作，以组队学习的形式来促进学习者从初学者转变为能够自如运用的用户。PyTorch是一个广泛应用于深度学习领域的开源工具，以其灵活性、可读性和高效性受到学术界的喜爱。通过这个项目，学习者可以在掌握基础知识的同时，锻炼编程能力，并提升解决实际问题的技能。

学习该课程的前提是具备Python编程基础和对神经网络等机器学习基本概念的了解。此外，动手实践也是成功完成课程的重要组成部分。

二、内容简介

课程内容分为几个主要章节：

• 第零章：前置知识（可选学习） 包括人工智能发展历史、相关评价指标及常用工具包的学习。

• 第一章：PyTorch的简介和安装 帮助学习者了解PyTorch的基本概念，掌握其安装过程及相关资源。

• 第二章：PyTorch基础知识 介绍张量及其运算、自动求导、并行计算、CUDA和cuDNN。

• 第三章：PyTorch的主要组成模块 讨论完成一个完整的深度学习流程所需的关键环节，如数据读入、模型构建、优化器及训练等。

• 第四章：PyTorch基础实战 提供了Fashion-MNIST时装分类和果蔬分类的基础实战案例。

• 第五章：PyTorch模型定义 探讨不同的模型定义方式以及如何快速搭建复杂网络和保存读取模型。

• 第六章：PyTorch进阶训练技巧 包括自定义损失函数、动态调整学习率、模型微调及数据扩充等。

• 第七章：PyTorch可视化 涉及训练过程的可视化工具，如TensorBoard和wandb。

• 第八章：PyTorch生态简介 涉及PyTorch在图像、视频、文本和音频等领域的应用。

• 第九章：模型部署 讲解如何使用ONNX进行模型部署和推理。

• 第十章：常见网络代码的解读（推进中） 涉及多个领域的源码解读和实战。

三、团队成员

该项目由多名DataWhale成员共同研发，他们来自不同的学术机构，并在项目的不同章节做出了贡献。项目内容包括但不限于章节撰写、合并以及文档部署。

四、课程编排与配套视频

课程内容以markdown格式和jupyter notebook的形式提供，并通过B站提供配套的讲解视频供学习者参考。课程分为三个阶段：基础知识、进阶操作和案例分析。

五、关于贡献

项目使用Forking工作流，详细步骤包括Fork仓库、Clone个人库、设置upstream、进行分支开发等。欢迎学习者通过提交Pull Request来参与项目的贡献。

六、更新计划

项目还有多项内容正在开发中，如apex库、Flask模型部署、目标检测等，这些内容的推出将进一步丰富PyTorch的学习体验。

七、鸣谢与反馈

项目感谢所有DataWhale成员的努力和各位贡献者的支持。如果学习者有任何意见或建议，欢迎与DataWhale联系并提出issue。

八、关注我们

DataWhale致力于构建开放的学习社区，欢迎关注我们，一起学习与成长。

LICENSE

本项目遵循知识共享署名-非商业性使用-相同方式共享 4.0 国际许可协议。