【书籍】深度学习框架：PyTorch入门与实践（附代码）

【导读】2016年是属于TensorFlow的一年，凭借谷歌的大力推广，TensorFlow占据了各大媒体的头条。2017年年初，PyTorch的横空出世吸引了研究人员极大的关注，PyTorch简洁优雅的设计、统一易用的接口、追风逐电的速度和变化无方的灵活性给人留下深刻的印象。作为一门2017年刚刚发布的深度学习框架，研究人员所能获取的学习资料有限，中文资料更是比较少。本书作者长期关注PyTorch发展，经常在论坛上帮助PyTorch新手解决问题，在平时的科研中利用PyTorch进行各个方面的研究，有着丰富的使用经验。看到国内的用户对PyTorch十分感兴趣，迫切需要一本能够全面讲解PyTorch的书籍，于是本书就这么诞生了。专知内容组编辑整理。

▌图书介绍

关于该书

《深度学习框架PyTorch：入门与实践》从多维数组Tensor开始，循序渐进地带领读者了解PyTorch各方面的基础知识。结合基础知识和前沿研究，带领读者从零开始完成几个经典有趣的深度学习小项目，包括GAN生成动漫头像、AI滤镜、AI写诗等。《深度学习框架PyTorch：入门与实践》没有简单机械地介绍各个函数接口的使用，而是尝试分门别类、循序渐进地向读者介绍PyTorch的知识，希望读者对PyTorch有一个完整的认识。

《深度学习框架PyTorch：入门与实践》内容由浅入深，无论是深度学习的初学者，还是头次接触PyTorch的研究人员，都能在学习本书的过程中快速掌握PyTorch。即使是有一定PyTorch使用经验的用户，也能够从本书中获得对PyTorch不一样的理解。

关于读者

主要为机器学习和深度学习专业人员，软件开发人员，研究生和开源爱好者。

关于作者

陈云：Python程序员、Linux爱好者和PyTorch源码贡献者。主要研究方向包括计算机视觉和机器学习。“2017知乎看山杯机器学习挑战赛”一等奖，“2017天池医疗AI大赛”第八名。 热衷于推广PyTorch，并有丰富的使用经验，活跃于PyTorch论坛和知乎相关板块。

▌GitHub代码

代码链接：

https://github.com/chenyuntc/PyTorch-book

这是书籍《深度学习框架PyTorch：入门与实践》的对应代码，但是也可以作为一个独立的PyTorch入门指南和教程。

该书（教程/仓库）的内容如图所示：

可以看出本教程可以分为两部分：

基础部分（前五章）讲解PyTorch内容，这部份介绍了PyTorch中主要的的模块，和深度学习中常用的一些工具。对于这部分内容，这里利用Jupyter Notebook作为教学工具，读者可以结合notebook修改运行，反复实验。

• 第二章介绍如何安装PyTorch和配置学习环境。同时提供了一个快速入门教程，基于官方的教程简化并更新内容，读者可以花费大约1到2小时的时间快速完成入门任务，而后根据需求再选择深入阅读后续相关章节的内容。
• 第三章介绍了PyTorch中多维数组Tensor和动态图autograd/Variable的使用，并配以例子，让读者分别使用Tensor和autograd实现线性回归，比较二者的不同点。除了介绍这二者的基础使用之外，本章还对Tensor的底层设计，以及autograd的计算图原理进行比较深入分析，希望能使得读者能对这些底层知识有更全面的掌握。
• 第四章介绍了PyTorch中神经网络模块nn的基础用法，同时讲解了神经网络中“层”，“损失函数”，“优化器”等，最后带领读者用不到50行的代码搭建出曾夺得ImageNet冠军的ResNet。
• 第五章介绍了PyTorch中数据加载，GPU加速，持久化和可视化等相关工具。

实战部分（第六到十章）利用PyTorch实现了几个酷炫有趣的应用，对于这部分的内容，本仓库给出完整的实现代码，并提供预训练好的模型作为demo，供读者测试。

• 第六章是承上启下的一章，这一章的目标不是教会读者新函数，新知识，而是结合Kaggle中一个经典的比赛，实现一个深度学习中比较简单的图像二分类问题。在实现过程中，带领读者复习前五章的知识，并提出代码规范以合理的组织程序，代码，使得程序更加可读，可维护。第六章还介绍了在PyTorch中如何进行debug。
• 第七章为读者讲解了当前最火爆的生成对抗网络（GAN），带领读者从头实现一个动漫头像生成器，能够利用GAN生成风格多变的动漫头像。
• 第八章为读者讲解了风格迁移的相关知识，并带领读者实现风格迁移网络，将自己的照片变成高大上的名画。
• 第九章为读者讲解了一些自然语言处理的基础知识，并讲解了CharRNN的原理。而后利用收集了几万首唐诗，训练出了一个可以自动写诗歌的小程序。这个小程序可以控制生成诗歌的格式，意境，还能生成藏头诗。
• 第十章为读者介绍了图像描述任务，并以最新的AI Challenger比赛的数据为例，带领读者实现了一个可以进行简单图像描述的的小程序。

Notebook中的文字描述内容属于本书的初稿，有描述不通顺，错别字之处还请谅解。本打算删除notebook中描述的内容，只留下代码，但为了方便读者阅读学习，最终还是决定留下。 我会抽空根据书中内容逐字校对这部分内容，但并不对此并不提供具体时间点。

是否需要买书

书不是必要的，这个仓库包含书中50%以上的文字内容，90%以上的代码，尤其是前几章入门内容，几乎是完全保留了书中的讲解内容。读者即使不买书也能正常使用本教程。

但纸质书有如下优势：

• 更流畅的体验： 书中的文字，描述，内容经过多人反复校对审查所得，所以描述更自然，错误更少，排版更美观。这个仓库中的Jupyter Notebook中的内容属于本书的初稿，因此有不少描述不通顺，错别字，错误之处。
• 更好的排版：Jupyter Notebook虽然支持markdown，但是排版比较别扭，而书中的排版有严格的规范。
• 更完整的内容，更丰富的插图，更详细代码说明：尤其是实战部分，有对于代码设计的说明，原理的讲解，模型的介绍，结合书中内容会更好的理解代码。
• 有纸质书在手，可以快速翻阅查找。

如果你觉得纸质书的优势吸引你，不妨小破费一笔，支持一下作者这大半年来的工作。同时为了尽可能的方便读者，笔者还专门开通腾讯云的服务，用以保存教程中用到的部分模型，预处理的数据和部分大文件。

代码说明

• 教程代码同时在Python2和Python3下测试通过
• 实战部分代码还同时在GPU和CPU环境下测试通过
• 所有的代码都是基于最新版的PyTorch 0.2.0，本人承诺会至少维护代码更新兼容到PyTorch 0.4

如果有任何不当，或者有待改进的地方，欢迎读者开issue讨论，或者提交pull request。

环境配置

1. 安装PyTorch，请从官网选择指定的版本安装即可，一键安装（即使你使用anaconda，也建议使用pip）。更多的安装方式请参阅书中说明。
2. 克隆仓库 git clone https://github.com/chenyuntc/PyTorch-book.git
3. 安装第三方依赖包 cd pytorch-book && pip install -r requirements.txt

Visdom打不开及其解决方案

教程中用到了Visdom作为可视化工具，但是最近发现visdom 不能用了，打开之后网页一片空白，经过抓包分析发现是两个js文件被防火墙给阻挡了：

• https://cdn.rawgit.com/plotly/plotly.js/master/dist/plotly.min.js
• https://cdn.rawgit.com/STRML/react-grid-layout/0.14.0/dist/react-grid-layout.min.js

这里本人提供一个比较简单的解决方法：

• Step 1： 找到系统使用visdom的index.html文件， locate visdom/static/index.html 输出 系统中visdom 的html文件： /usr/local/lib/python2.7/dist-packages/visdom/static/index.html /usr/local/lib/python3.5/dist-packages/visdom/static/index.html
• Step 2：下载本人修改过后的文件，替换step1 找到的index.html, 可能需要root权限。

这时候再刷新浏览器，就能发现visdom正常显示了。

还有其它的解决方法，包括：

• 下载这两个文件到本地，然后修改index.html中都应js文件的路径
• 使用代理，但是把某些域名加入白名单

参考链接：

https://github.com/chenyuntc/PyTorch-book

https://item.jd.com/12261129.html