PyTorch 学习笔记

这个仓库是我学习 PyTorch 过程中所记录的学习笔记汇总，包括 25 篇文章，是我学习 PyTorch 期间所记录的内容，点击查看在线电子书：https://pytorch.zhangxiann.com/。

学习笔记的结构遵循课程的顺序，共分为 8 周，循序渐进，力求通俗易懂。

代码

配套代码：https://github.com/zhangxiann/PyTorch_Practice

所有代码均在 PyCharm 中通过测试，建议通过 git 克隆到本地运行。

数据

由于代码中会用到一些第三方的数据集，这里给出百度云的下载地址（如果有其他更好的数据托管方式，欢迎告诉我）。

数据下载地址： 链接：https://pan.baidu.com/s/1f9wQM7gvkMVx2x5z6xC9KQ 提取码：w7xt

面向读者

本教程假定读你有一定的机器学习和深度学习基础。

如果你没有学习过机器学习或者深度学习，建议先观看 Andrew ng 的深度学习（Deep Learning）课程，课程地址： https://mooc.study.163.com/university/deeplearning_ai#/c。

然后再学习本教程，效果会更佳。

学习计划

这个学习笔记共 25 章，分为 8 周进行的，每周大概 3 章（当然你可以根据自己的进度调整），每章花费的时间约 30 分钟到 2 个小时之间。

目录大纲如下：

• Week 1（基本概念）
  • 1.1 PyTorch 简介与安装
  • 1.2 Tensor(张量)介绍
  • 1.3 张量操作与线性回归
  • 1.4 计算图与动态图机制
  • 1.5 autograd 与逻辑回归
• Week 2（图片处理与数据加载）
  • 2.1 DataLoader 与 DataSet
  • 2.2 图片预处理 transforms 模块机制
  • 2.3 二十二种 transforms 图片数据预处理方法
• Week 3（模型构建）
  • 3.1 模型创建步骤与 nn.Module
  • 3.2 卷积层
  • 3.3 池化层、线性层和激活函数层
• Week 4（模型训练）
  • 4.1 权值初始化
  • 4.2 损失函数
  • 4.3 优化器
• Week 5（可视化与 Hook）
  • 5.1 TensorBoard 介绍
  • 5.2 Hook 函数与 CAM 算法
• Week 6（正则化）
  • 6.1 weight decay 和 dropout
  • 6.2 Normalization
• Week 7（模型其他操作）
  • 7.1 模型保存与加载
  • 7.2 模型 Finetune
  • 7.3 使用 GPU 训练模型
• Week 8（实际应用）
  • 8.1 图像分类简述与 ResNet 源码分析
  • 8.2 目标检测简介
  • 8.3 GAN（生成对抗网络）简介
  • 8.4 手动实现 RNN