# pytorch-handbook **Repository Path**: ironV/pytorch-handbook ## Basic Information - **Project Name**: pytorch-handbook - **Description**: No description available - **Primary Language**: Unknown - **License**: Not specified - **Default Branch**: master - **Homepage**: None - **GVP Project**: No ## Statistics - **Stars**: 6 - **Forks**: 6 - **Created**: 2019-02-14 - **Last Updated**: 2021-12-08 ## Categories & Tags **Categories**: Uncategorized **Tags**: None ## README # PyTorch 中文手册 （pytorch handbook） ![pytorch](https://raw.githubusercontent.com/pytorch/pytorch/master/docs/source/_static/img/pytorch-logo-dark.png) ## 书籍介绍 这是一本开源的书籍，目标是帮助那些希望和使用PyTorch进行深度学习开发和研究的朋友快速入门。 由于本人水平有限，在写此教程的时候参考了一些网上的资料，在这里对他们表示敬意，我会在每个引用中附上原文地址，方便大家参考。 深度学习的技术在飞速的发展，同时PyTorch也在不断更新，且本人会逐步完善相关内容。 ## 版本说明 由于PyTorch版本更迭，教程的版本会与PyTorch版本，保持一致。 12月8日PyTorch已经发布1.0的稳定版。 API的改动不是很大，本教程已经通过测试，保证能够在1.0中正常运行。 不过目前看影响不大，因为毕竟内容还不多。 v0.4.1已经新建了分支作为存档，并且该不会再进行更新了。 [官方1.0说明](https://github.com/pytorch/pytorch/releases/tag/v1.0.0) [主要改动中文说明](changelog-v1.0.md) ## 目录 ### 第一章： pytorch入门 1. [Pytorch 简介](chapter1/1.1-pytorch-introduction.md) 2. [Pytorch环境搭建](chapter1/1.2-pytorch-installation.md) 3. [PyTorch 深度学习:60分钟快速入门 （官方）](chapter1/1.3-deep-learning-with-pytorch-60-minute-blitz.md) - [张量](chapter1/1_tensor_tutorial.ipynb) - [Autograd: 自动求导](chapter1/2_autograd_tutorial.ipynb) - [神经网络](chapter1/3_neural_networks_tutorial.ipynb) - [训练一个分类器](chapter1/4_cifar10_tutorial.ipynb) - [选读：数据并行处理(多GPU)](chapter1/5_data_parallel_tutorial.ipynb) 4. [相关资源介绍](chapter1/1.4-pytorch-resource.md) ### 第二章 基础 #### 第一节 PyTorch 基础 1. [张量](chapter2/2.1.1.pytorch-basics-tensor.ipynb) 2. [自动求导](chapter2/2.1.2-pytorch-basics-autograd.ipynb) 3. [神经网络包nn和优化器optm](chapter2/2.1.3-pytorch-basics-nerual-network.ipynb) 4. [数据的加载和预处理](chapter2/2.1.4-pytorch-basics-data-lorder.ipynb) #### 第二节 深度学习基础及数学原理 [深度学习基础及数学原理](chapter2/2.2-deep-learning-basic-mathematics.ipynb) #### 第三节 神经网络简介 [神经网络简介](chapter2/2.3-deep-learning-neural-network-introduction.ipynb) #### 第四节 卷积神经网络 [卷积神经网络](chapter2/2.4-cnn.ipynb) #### 第五节 循环神经网络 [循环神经网络](chapter2/2.5-rnn.ipynb) ### 第三章 实践 #### 第一节 logistic回归二元分类 [logistic回归二元分类](chapter3/3.1-logistic-regression.ipynb) #### 第二节 CNN:MNIST数据集手写数字识别 [CNN:MNIST数据集手写数字识别](chapter3/3.2-mnist.ipynb) #### 第三节 RNN实例：通过Sin预测Cos [RNN实例：通过Sin预测Cos](chapter3/3.3-rnn.ipynb) ### 第四章 提高 #### 第一节 Fine-tuning [Fine-tuning](chapter4/4.1-fine-tuning.ipynb) #### 第二节 可视化 [visdom](chapter4/4.2.1-visdom.ipynb) [tensorboardx](chapter4/4.2.2-tensorboardx.ipynb) #### 第三节 fastai #### 第四节 数据处理技巧 #### 第五节 并行计算 ### 第五章 应用 #### 第一节 Kaggle介绍 #### 第二节 结构化数据 #### 第三节 计算机视觉 #### 第四节 自然语言处理 #### 第五节 协同过滤 ### 第六章 资源 ## License ![](https://i.creativecommons.org/l/by-nc-sa/3.0/88x31.png) [本作品采用知识共享署名-非商业性使用-相同方式共享 3.0 中国大陆许可协议进行许可](http://creativecommons.org/licenses/by-nc-sa/3.0/cn)