PyTorch官方培训教程上线：从基本概念到实操，小白也能上手
实操满满，解救小白！
明敏 发自 凹非寺
量子位 报道 | 公众号 QbitAI
你是否也有这样的困惑：
看了无数个入门教程，这个门还是没跨进去……
这一次，PyTorch官方推出了培训教程，手把手带你带你飞！
课程从介绍PyTorch基本概念开始，小白看了完全无压力
一步步深入，手把手带你建模、训练、部署
只用八节课程，你就能真正上手PyTorch！
既然这么厉害，
那么就来一起感受一下这份教程吧～
课程大纲
1 .介绍PyTorch
虽然这次课程偏向实际操作，但是官方依旧非常友好地默认大家都是新手，从基础概念上开始逐步引入。
2.介绍PyTorch Tensors
在第二节课程中，开始正式引入概念：
Tensor（张量）是PyTorch中的核心，它类似于NumPy的ndarrays ，表示的是一个多维矩阵。
PyTorch中的Tensors可以运行在GPU上，并且大大加快了运行速度。
具体课程如下：
创建PyTorch Tensors
数学或逻辑上的应用
张量复制
如何转移到GPU
操纵张量形状
PyTorch-Numpy Bridge
教程中举出了许多张量运算的典型例子：
比如创建一个-1到1之间的随机张量，可以取它的绝对值，使得到的所有值都是正数；
可以接受它的反正弦值，因为值在-1到1之间且返回一个的角度。
此外，PyTorch中的张量还能进行线性代数运算，如行列式或奇异值分解；
数据统计、汇总、计算均值、标准差、最大值、最小值等等也都不在话下。
3.自动求导机制
自动求导是PyTorch能够快速运行的重要原因，它可以在深度学习中构建灵活框架。
通过梯度计算也可以推动基于反向传播的机器学习。
具体课程如下：
为什么要用自动求导？
典型案例示范
模型训练中的自动求导
使用自动求导
自动求导分析
高级API
在具体例子中，教程使用简单的递归神经或RNN来展示。
4.构建模型
具体课程：
模块和参数
常见神经网络层类型
其他层和函数
以识别字母模型为例， 教程首先展示了如何搭建一个神经网络：
在构建好网络后，将其转化为代码，就完成了模型的搭建。
5.PyTorch TensorBoard支持
具体课程：
TensorBoard可视化
绘制标量&可视化训练
模型可视化
使用嵌入可视化数集
这一步，教程中用模型进行了一个简单的训练：识别不同类型的服装。
通过跟踪训练将数据可视化，然后用TensorBoard来查看模型本身，从而进一步可视化数据及其内部关系。
6.训练模型
具体课程：
用Torch.NN建模
自动梯度计算学习
TensorBoard可视化
7.使用Captum探索PyTorch模型的可解释性
Captum是一个模型解释库，该库为许多新的算法（如：ResNet、BERT、一些语义分割网络等）提供了解释性，可以帮助我们更好地理解对模型预测结果产生作用的具体特征、神经元及神经网络层。
具体课程：
基本概念
特殊举例
图层属性举例
用Captum & Captum insights探索模型的可解释性
8.模型部署推理
具体课程：
PyTorch模型评估
TorchScript
TorchScript & C++
TorchServe部署
最后一步，将以上构建出的模型进行评估。
传送门
PyTorch官方教程：
https://www.youtube.com/channel/UCWXI5YeOsh03QvJ59PMaXFw/videos
如果纯英文教程比较吃力，可以参考b站汉化版（@爱可可-爱生活）：
https://www.bilibili.com/video/BV1qh411U73y?p=1
以及中文版文字教程：
https://pytorch-cn.readthedocs.io/zh/latest/notes/extending/#pytorch
参考链接：
[1]https://www.youtube.com/channel/UCWXI5YeOsh03QvJ59PMaXFw/videos
[2]https://www.bilibili.com/video/BV1qh411U73y?p=1
[3]https://pytorch-cn.readthedocs.io/zh/latest/notes/extending/#pytorch
- 谷歌Gemini突发试验版模型，重回竞技榜第一！GPT-4o只领先了1天2024-11-22
- 2499，AI浓度爆表！戴上这副眼镜，一句话点咖啡/实时翻译/AR导航全搞定2024-11-19
- 最强开源CodeLLM模型深夜来袭！320亿参数，Qwen2.5-Coder新模型超越GPT-4o2024-11-12
- ¥9.99租英伟达H800！双十一算力羊毛真香，闲置卡也能挂机变现2024-11-04
相关阅读
