PyTorch官方培训教程上线:从基本概念到实操,小白也能上手

2021-04-25 20:52 90 阅读 ID:330
量子位
量子位

你是否也有这样的困惑:

“看了无数个入门教程,这个门还是没跨进去……”

这一次,你可能终于有救了!

PyTorch官方推出了培训教程,手把手带你飞!

课程从介绍PyTorch基本概念开始,小白看了完全无压力

一步步深入,手把手带你建模、训练、部署

短短八节课程,你就能真正上手PyTorch!

既然这么厉害,那么就来一起感受一下这份教程吧~

课程大纲

1 .介绍PyTorch

虽然这次课程偏向实际操作,但是官方依旧非常友好地默认大家都是新手,从基础概念上开始逐步引入。

2.介绍PyTorch Tensors

在第二节课程中,开始正式引入概念:

Tensor(张量)是PyTorch中的核心,它类似于NumPy的ndarrays ,表示的是一个多维矩阵。

PyTorch中的Tensors可以运行在GPU上,并且大大加快了运行速度

  • 具体课程如下:
创建PyTorch Tensors
数学或逻辑上的应用
张量复制
如何转移到GPU
操纵张量形状
PyTorch-Numpy Bridge

教程中举出了许多张量运算的典型例子

比如创建一个-1到1之间的随机张量,可以取它的绝对值,使得到的所有值都是正数;可以接受它的反正弦值,因为值在-1到1之间且返回一个的角度。

此外,PyTorch中的张量还能进行线性代数运算,如行列式或奇异值分解;

数据统计、汇总,计算均值、标准差、最大值、最小值等等也都不在话下。

3.自动求导机制

自动求导是PyTorch能够快速运行的重要原因,它可以在深度学习中构建灵活框架。

通过梯度计算也可以推动基于反向传播的机器学习

  • 具体课程如下:
为什么要用自动求导?
典型案例示范
模型训练中的自动求导
使用自动求导
自动求导分析
高级API

在具体例子中,教程使用简单的递归神经或RNN来展示。

4.构建模型

  • 具体课程:
模块和参数
常见神经网络层类型
其他层和函数

以识别字母模型为例, 教程首先展示了如何搭建一个神经网络:

在构建好网络后,将其转化为代码,就完成了模型的搭建。

5.PyTorch TensorBoard支持

  • 具体课程:
TensorBoard可视化
绘制标量&可视化训练
模型可视化
使用嵌入可视化数集

这一步,教程中用模型进行了一个简单的训练:识别不同类型的服装。

通过跟踪训练将数据可视化,然后用TensorBoard来查看模型本身,从而进一步可视化数据及其内部关系。

6.训练模型

  • 具体课程:
用Torch.NN建模
自动梯度计算学习
TensorBoard可视化

7.使用Captum探索PyTorch模型的可解释性

Captum是一个模型解释库,该库为许多新的算法(如:ResNet、BERT、一些语义分割网络等)提供了解释性。

可以帮助我们更好地理解对模型预测结果产生作用的具体特征、神经元及神经网络层。

  • 具体课程:
基本概念
特殊举例
图层属性举例
用Captum & Captum insights探索模型的可解释性

8.模型部署推理

  • 具体课程:
PyTorch模型评估
TorchScript
TorchScript & C++
TorchServe部署

最后一步,将以上构建出的模型进行评估。



传送门

PyTorch官方教程:
https://www.youtube.com/channel/UCWXI5YeOsh03QvJ59PMaXFw/videos

如果纯英文教程比较吃力,可以参考b站汉化版(@爱可可-爱生活):
https://www.bilibili.com/video/BV1qh411U73y?p=1

以及中文版文字教程:
https://pytorch-cn.readthedocs.io/zh/latest/notes/extending/#pytorch

参考链接:
[1]https://www.youtube.com/channel/UCWXI5YeOsh03QvJ59PMaXFw/videos
[2]https://www.bilibili.com/video/BV1qh411U73y?p=1
[3]https://pytorch-cn.readthedocs.io/zh/latest/notes/extending/#pytorch

@量子位 · 追踪AI技术和产品新动态

深有感触的朋友,欢迎赞同、关注、分享三连վ'ᴗ' ի ❤

免责声明:作者保留权利,不代表本站立场。如想了解更多和作者有关的信息可以查看页面右侧作者信息卡片。
反馈
to-top--btn