撒花！PyTorch 官方教程中文版正式上线，激动人心的大好事！

红色石头

发布于 2022-01-12 15:52:14

8130

发布于 2022-01-12 15:52:14

什么是 PyTorch？其实 PyTorch 可以拆成两部分：Py+Torch。Py 就是 Python，Torch 是一个有大量机器学习算法支持的科学计算框架。PyTorch 的前身是Torch，但是 Torch 是基于 Lua 语言。Lua 简洁高效，但由于其过于小众，用的人不是很多，以至于很多人听说要掌握 Torch 必须新学一门语言就望而却步。考虑到 Python 在人工智能领域的领先地位，以及其生态完整性和接口易用性，几乎任何框架都不可避免地要提供 Python 接口。终于，在 2017 年，Torch 的幕后团队使用 Python 重写了 Torch 的很多内容，推出了 PyTorch，并提供了 Python 接口。此后，PyTorch 成为最流行的深度学习框架之一。

近几年来，PyTorch 呈现大火的趋势，除了Facebook外，PyTorch 已经被 Twitter、CMU 和 Salesforce 等多个机构使用。

就在刚刚，激动人心的好消息：PyTorch 官方教程中文版正式发布啦！

教程地址：

http://pytorch123.com/

教程介绍

本文档主要使用于 PyTorch 入门学者，主要参考 PyTorch 官方文档。官方教程包含了 PyTorch 介绍，安装教程；60 分钟快速入门教程，可以迅速从小白阶段完成一个分类器模型；计算机视觉常用模型，方便基于自己的数据进行调整，不再需要从头开始写；自然语言处理模型，聊天机器人，文本生成等生动有趣的项目。

总而言之：如果你想了解一下 PyTorch，可以看介绍部分。如果你想快速入门 PyTorch，可以看 60 分钟快速入门。如果你想解决计算机视觉问题，可以看 CV 部分。如果你想解决自然语言处理问题，可以看 NLP 部分。

教程内容

整个教程共包含了 7 部分，内容由简单到复杂，适合不同层次的学习要求。下面分别进行介绍。

1. PyTorch 之简介与下载

PyTorch 简介
PyTorch 环境搭建 - 安装 Anaconda 3.5 - 安装 PyTorch & torchvision

Anaconda Navigator

2. PyTorch 之 60min 入门教程

PyTorch 入门
PyTorch 自动微分
PyTorch 神经网络
PyTorch 图像分类器
PyTorch 数据并处理

原理解释：

3. PyTorch 之入门强化教程

数据加载和处理
PyTorch 小试牛刀
迁移学习
混合前端的 seq2seq 模型部署
保存和加载模型

def train_model(model, criterion, optimizer, scheduler, num_epochs=25):
    since = time.time()

    best_model_wts = copy.deepcopy(model.state_dict())
    best_acc = 0.0

    for epoch in range(num_epochs):
        print('Epoch {}/{}'.format(epoch, num_epochs - 1))
        print('-' * 10)

        # 每个epoch都有一个训练和验证阶段
        for phase in ['train', 'val']:
            if phase == 'train':
                scheduler.step()
                model.train() # Set model to training mode
            else:
                model.eval() # Set model to evaluate mode

            running_loss = 0.0
            running_corrects = 0

            # 迭代数据.
            for inputs, labels in dataloaders[phase]:
                inputs = inputs.to(device)
                labels = labels.to(device)

                # 零参数梯度
                optimizer.zero_grad()

                # 前向
                # track history if only in train
                with torch.set_grad_enabled(phase == 'train'):
                    outputs = model(inputs)
                    _, preds = torch.max(outputs, 1)
                    loss = criterion(outputs, labels)

                    # 后向+仅在训练阶段进行优化
                    if phase == 'train':
                        loss.backward()
                        optimizer.step()

                # 统计
                running_loss += loss.item() * inputs.size(0)
                running_corrects += torch.sum(preds == labels.data)

            epoch_loss = running_loss / dataset_sizes[phase]
            epoch_acc = running_corrects.double() / dataset_sizes[phase]

            print('{} Loss: {:.4f} Acc: {:.4f}'.format(
                phase, epoch_loss, epoch_acc))

            # 深度复制mo
            if phase == 'val' and epoch_acc > best_acc:
                best_acc = epoch_acc
                best_model_wts = copy.deepcopy(model.state_dict())

        print()

    time_elapsed = time.time() - since
    print('Training complete in {:.0f}m {:.0f}s'.format(
        time_elapsed // 60, time_elapsed % 60))
    print('Best val Acc: {:4f}'.format(best_acc))

    # 加载最佳模型权重
    model.load_state_dict(best_model_wts)
    return model

4. PyTorch 之图像篇

微调基于 torchvision 0.3的目标检测模型
微调 Torchvision 模型
空间变换器网络
使用 PyTorch 进行 Neural-Transfer
生成对抗示例
使用ONNX将模型转移至Caffe2和移动端

5. PyTorch 之文本篇

聊天机器人教程
使用字符级 RNN 生成名字
使用字符级 RNN 进行名字分类
在深度学习和 NLP 中使用 Pytorch
使用 Sequence2Sequence 网络和注意力进行翻译

> hello?
Bot: hello .
> where am I?
Bot: you re in a hospital .
> who are you?
Bot: i m a lawyer .
> how are you doing?
Bot: i m fine .
> are you my friend?
Bot: no .
> you're under arrest
Bot: i m trying to help you !
> i'm just kidding
Bot: i m sorry .
> where are you from?
Bot: san francisco .
> it's time for me to leave
Bot: i know .
> goodbye
Bot: goodbye .

6. PyTorch 之生成对抗网络