2021 PyTorch官方培训教程上线：从基本概念到实操 | 附B站视频链接
共 2086字，需浏览 5分钟
·
2021-04-29 14:26
点击上方“AI算法与图像处理”，选择加"星标"或“置顶”
重磅干货，第一时间送达
来源：量子位
PyTorch 官方上线了最新的实战教程，本人之前也翻译过一个比较好的国外教程，不过更多的是对基本原理的讲解，具体实操，需要付费才能使用，具体内容如下：
B站链接：https://www.bilibili.com/video/BV1Kf4y1s7Cc 链接: https://pan.baidu.com/s/1S44-MWVMhgA5e0hG-iDyAA 提取码: ns5y
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。
个人微信（如果没有备注不拉群！） 请注明：地区+学校/企业+研究方向+昵称
下载1：何恺明顶会分享
在「AI算法与图像处理」公众号后台回复：何恺明，即可下载。总共有6份PDF，涉及 ResNet、Mask RCNN等经典工作的总结分析
下载2：终身受益的编程指南：Google编程风格指南
在「AI算法与图像处理」公众号后台回复：c++，即可下载。历经十年考验，最权威的编程规范！
下载3 CVPR2021 在「AI算法与图像处理」公众号后台回复：CVPR，即可下载1467篇CVPR 2020论文 和 CVPR 2021 最新论文
点亮 
，告诉大家你也在看