PyTorch官方培训教程 从概念到实操连小白也能上手

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，你可能终于有救了！ PyTorch官方推出了培训教程，手把手带你飞！

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

短短八节课程，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，如行列式或奇艺值分解；

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。

编辑：jq