60分钟入门PyTorch，官方教程手把手教你训练第一个深度学习模型（附链接）

本文介绍了官方教程入门PyTorch的技巧训练。

近期的一份调查报告显示：PyTorch 已经力压 TensorFlow 成为各大顶会的主流深度学习框架。想发论文，不学 PyTorch 怎么行？那么，入门 PyTorch 深度学习需要多久？PyTorch 的一份官方教程表示：只需要 60 分钟。

教程链接：

https://pytorch.org/tutorials/beginner/deep_learning_60min_blitz.html

这是一份非常简洁的学习材料，目标是让学习者了解 PyTorch 的 Tensor 库和神经网络，以及如何训练一个可以进行图像分类的神经网络。

虽然是入门课程，但也有一定门槛：课程参与者要具备 Numpy 基础知识。

该教程共分为五节：

1. PyTorch 简介
2. Autograde：自动微分
3. 神经网络
4. 训练一个分类器
5. 数据并行

本教程的五大板块。

第 1 节“PyTorch 简介”介绍了 PyTorch 的基本技术细节，如 Tensor、基本操作句法，还包括 Torch Tensor 与 Numpy 数组之间的转换、CUDA Tensor 等基础知识。

如果想进一步了解 PyTorch 的 Tensor 操作信息，还可以按文中给出的链接找到相应教程，包括数学运算、线性代数、随机数等。

第 2 节介绍了 PyTorch 中用于微分的包——Autograd。它是 PyTorch 神经网络的核心，为张量的所有操作提供了自动微分。为了更加直观地理解与之相关的术语，教程还给出了一些例子。

第 3 节介绍了训练一个神经网络的常见步骤，包括定义具有一些可学习参数的神经网络、遍历输入数据集、通过神经网络处理输入、计算损失、将梯度传播回网络参数、更新网络权重等。

在学会定义网络、计算损失、更新权重之后，第 4 节开始讲解如何训练一个分类器。教程使用了 CIFAR10 数据集，将训练步骤分为 5 步：

1. 载入 CIFAR10 并将其标准化；
2. 定义一个卷积神经网络；
3. 定义损失函数和优化器；
4. 训练网络；
5. 在测试集上测试网络

CIFAR10 数据集。

此外，这一节还讲解了如何在 GPU 上训练神经网络。

如果想进一步加速训练过程，还可以选修第 5 节——数据并行，学习如何在多个 GPU 上训练网络。

在这一教程中，每个小节都有 GoogleColab 链接，可以让学习者实时运行代码，获取实战经验。

如果想在本地运行文件，还可以下载 Notebook。

参考链接：

• https://pytorch.org/tutorials/beginner/deep_learning_60min_blitz.html
• https://news.ycombinator.com/item?id=21240057
• https://www.youtube.com/watch?v=u7x8RXwLKcA

编辑：于腾凯

校对：林亦霖