你是否也有這樣的困惑：

“看了無數(shù)個入門教程，這個門還是沒跨進去……”

這一次，你可能終于有救了！ PyTorch官方推出了培訓教程，手把手帶你飛！

課程從介紹PyTorch基本概念開始，小白看了完全無壓力

一步步深入，手把手帶你建模、訓練、部署

短短八節(jié)課程，你就能真正上手PyTorch！

既然這么厲害，那么就來一起感受一下這份教程吧～

課程大綱

1 。介紹PyTorch

雖然這次課程偏向?qū)嶋H操作，但是官方依舊非常友好地默認大家都是新手，從基礎(chǔ)概念上開始逐步引入。

2.介紹PyTorch Tensors

在第二節(jié)課程中，開始正式引入概念：

Tensor（張量）是PyTorch中的核心，它類似于NumPy的ndarrays ，表示的是一個多維矩陣。

PyTorch中的Tensors可以運行在GPU上，并且大大加快了運行速度。

具體課程如下：

創(chuàng)建PyTorch Tensors

數(shù)學或邏輯上的應(yīng)用

張量復制

如何轉(zhuǎn)移到GPU

操縱張量形狀

PyTorch-Numpy Bridge

教程中舉出了許多張量運算的典型例子：

比如創(chuàng)建一個-1到1之間的隨機張量，可以取它的絕對值，使得到的所有值都是正數(shù)；可以接受它的反正弦值，因為值在-1到1之間且返回一個的角度。

此外，PyTorch中的張量還能進行線性代數(shù)運算，如行列式或奇藝值分解；

數(shù)據(jù)統(tǒng)計、匯總，計算均值、標準差、最大值、最小值等等也都不在話下。

3.自動求導機制

自動求導是PyTorch能夠快速運行的重要原因，它可以在深度學習中構(gòu)建靈活框架。

通過梯度計算也可以推動基于反向傳播的機器學習。

具體課程如下：

為什么要用自動求導？

典型案例示范

模型訓練中的自動求導

使用自動求導

自動求導分析

高級API

在具體例子中，教程使用簡單的遞歸神經(jīng)或RNN來展示。

4.構(gòu)建模型

具體課程：

模塊和參數(shù)

常見神經(jīng)網(wǎng)絡(luò)層類型

其他層和函數(shù)

以識別字母模型為例， 教程首先展示了如何搭建一個神經(jīng)網(wǎng)絡(luò)：

在構(gòu)建好網(wǎng)絡(luò)后，將其轉(zhuǎn)化為代碼，就完成了模型的搭建。

5.PyTorch TensorBoard支持

具體課程：

TensorBoard可視化

繪制標量&可視化訓練

模型可視化

使用嵌入可視化數(shù)集

這一步，教程中用模型進行了一個簡單的訓練：識別不同類型的服裝。

通過跟蹤訓練將數(shù)據(jù)可視化，然后用TensorBoard來查看模型本身，從而進一步可視化數(shù)據(jù)及其內(nèi)部關(guān)系。

6.訓練模型

具體課程：

用Torch.NN建模

自動梯度計算學習

TensorBoard可視化

7.使用Captum探索PyTorch模型的可解釋性

Captum是一個模型解釋庫，該庫為許多新的算法（如：ResNet、BERT、一些語義分割網(wǎng)絡(luò)等）提供了解釋性。

可以幫助我們更好地理解對模型預測結(jié)果產(chǎn)生作用的具體特征、神經(jīng)元及神經(jīng)網(wǎng)絡(luò)層。

具體課程：

基本概念

特殊舉例

圖層屬性舉例

用Captum & Captum insights探索模型的可解釋性

8.模型部署推理

具體課程：

PyTorch模型評估

TorchScript

TorchScript & C++

TorchServe部署

最后一步，將以上構(gòu)建出的模型進行評估。

編輯：jq