这是我见过的最适合小白的 PyTorch 中文课程

对于刚接触深度学习的小白来说，PyTorch 是必会的框架。 只是，很多小伙伴还没来得及开启学习之路，一个最重要的问题就摆在了面前： PyTorch，该怎么学呢？

很多同学会自己在网上找资料，不仅耗费时间精力，更难以分辨资料的准确与完整，甚至可能连学习的重点都搞错了。

如果你也是个刚入门PyTorch的小白，那就千万不要错过我为你带来的《20天吃掉 PyTorch》，相信我，这也许是你能找到的最全面、系统、适合小白入门的PyTorch课程了！

内容介绍

本书是我利用工作之余大概3个月写成的，大部分读者应该在20天可以完全学会。

预计每天花费的学习时间在30分钟到2个小时之间。

当然，本书也非常适合作为 Pytorch 的工具手册在工程落地时作为范例库参考。

日期	学习内容	内容难度	预计学习时间	更新状态	B站讲解
	一、Pytorch的建模流程	⭐️	0hour	✅
day1	1-1,结构化数据建模流程范例	⭐️⭐️⭐️	1hour	✅
day2	1-2,图片数据建模流程范例	⭐️⭐️⭐️⭐️	2hour	✅
day3	1-3,文本数据建模流程范例	⭐️⭐️⭐️⭐️⭐️	2hour	✅
day4	1-4,时间序列数据建模流程范例	⭐️⭐️⭐️⭐️⭐️	2hour	✅
	二、Pytorch的核心概念	⭐️	0hour	✅
day5	2-1,张量数据结构	⭐️⭐️⭐️⭐️	1hour	✅
day6	2-2,自动微分机制	⭐️⭐️⭐️	1hour	✅
day7	2-3,动态计算图	⭐️⭐️⭐️⭐️⭐️	2hour	✅
	三、Pytorch的层次结构	⭐️	0hour	✅
day8	3-1,低阶API示范	⭐️⭐️⭐️⭐️	1hour	✅
day9	3-2,中阶API示范	⭐️⭐️⭐️	1hour	✅
day10	3-3,高阶API示范	⭐️⭐️⭐️	1hour	✅
	四、Pytorch的低阶API	⭐️	0hour	✅
day11	4-1,张量的结构操作	⭐️⭐️⭐️⭐️⭐️	2hour	✅
day12	4-2,张量的数学运算	⭐️⭐️⭐️⭐️	1hour	✅
day13	4-3,nn.functional和nn.Module	⭐️⭐️⭐️⭐️	1hour	✅
	五、Pytorch的中阶API	⭐️	0hour	✅
day14	5-1,Dataset和DataLoader	⭐️⭐️⭐️⭐️	1hour	✅
day15	5-2,模型层	⭐️⭐️⭐️⭐️⭐️	2hour	✅
day16	5-3,损失函数	⭐️⭐️⭐️⭐️	1hour	✅
day17	5-4,TensorBoard可视化	⭐️⭐️⭐️	1hour	✅
	六、Pytorch的高阶API	⭐️	0hour	✅
day18	6-1,构建模型的3种方法	⭐️⭐️	0.5hour	✅
day19	6-2,训练模型的3种方法	⭐️⭐️⭐️	1hour	✅
day20	6-3,使用GPU训练模型	⭐️⭐️⭐️⭐️	1hour	✅
*	后记：我的产品观	⭐️	0hour	✅

获取方式

好的文章离不开粉丝的分享、推荐，获取前记得点赞、收藏。

按照如下方式获取：

方式①、添加微信号：mlc2060，备注：大模型资料 or 技术交流
方式②、微信搜索公众号：机器学习社区，后台回复：大模型资料 or 技术交流

如果你还想进一步提升技能，这个资料送你

最全面

内容包含Python基础+数学基础+PyTorch框架基础。

最系统

理论+实战+作业，课程设置环环相扣。跟着课程，一步一脚印，小白变高手！

最适合入门

不懂代码？数学不好？一样能入门深度学习！手把手教你洞悉 PyTorch 模型训练过程，彻底掌握 PyTorch 项目实战 ！

本书写作风格

本书是一本对人类用户极其友善的 Pytorch入门工具书，Don’t let me think是本书的最高追求。

本书主要是在参考Pytorch官方文档和函数doc文档基础上整理写成的。

尽管Pytorch官方文档已经相当简明清晰，但本书在篇章结构和范例选取上做了大量的优化，在用户友好度方面更胜一筹。

本书按照内容难易程度、读者检索习惯和Pytorch自身的层次结构设计内容，循序渐进，层次清晰，方便按照功能查找相应范例。

本书在范例设计上尽可能简约化和结构化，增强范例易读性和通用性，大部分代码片段在实践中可即取即用。

全部源码在jupyter中编写测试通过，建议通过git克隆到本地，并在jupyter中交互式运行学习。

import torch 
from torch import nn

print("torch version:", torch.__version__)

a = torch.tensor([[2,1]])
b = torch.tensor([[-1,2]])
c = a@b.t()
print("[[2,1]]@[[-1],[2]] =", c.item())

torch version: 1.10.0
[[2,1]]@[[-1],[2]] = 0