​​ ​​​

​​ ​​ ​​​

这篇文章是我学习 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 框架版课程期间所记录的内容。

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：

• ​(开篇词)PyTorch 学习笔记​

• ​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​

• ​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​

• ​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​

• ​4 模型训练​

  • ​4.1 权值初始化​

  • ​4.2 损失函数​

  • ​4.3 优化器​

• ​5 可视化与 Hook​

  • ​5.1 TensorBoard 介绍​

  • ​5.2 Hook 函数与 CAM 算法​

• ​6 正则化​

  • ​6.1 weight decay 和 dropout​

  • ​6.2 Normalization​

• ​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​

• ​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​

• ​9 其他​

  • ​PyTorch 常见报错信息​

  • ​图神经网络 PyTorch Geometric 入门教程​

如果这份 PyTorch 学习笔记对你有帮助，欢迎 star：

​https://github.com/zhangxiann/PyTorch_Practice​

如果你觉得这篇文章对你有帮助，不妨点个赞，让我有更多动力写出好文章。

欢迎扫码关注我的公众号张贤同学。