更新(2022年11月9日):
欢迎来到 Zero to Mastery Learn PyTorch for Deep Learning 课程,这是在互联网上学习 PyTorch 的第二好地方(第一个是 PyTorch 文档)。
部分 | 它涵盖什么? | 练习和课外活动 | 幻灯片 |
---|---|---|---|
00 - PyTorch 基础知识 | 许多基本的PyTorch操作用于深度学习和神经网络。 | 转到练习和课外活动 | 转到幻灯片 |
01 - PyTorch 工作流程 | 提供使用 PyTorch 解决深度学习问题和构建神经网络的大纲。 | 转到练习和课外活动 | 转到幻灯片 |
02 - PyTorch 神经网络分类 | 使用 01 中的 PyTorch 工作流来处理神经网络分类问题。 | 转到练习和课外活动 | 转到幻灯片 |
03 - PyTorch 计算机视觉 | 让我们看看如何使用01和02中的相同工作流程将PyTorch用于计算机视觉问题。 | 转到练习和课外活动 | 转到幻灯片 |
04 - PyTorch 自定义数据集 | 如何将自定义数据集加载到 PyTorch 中?此外,我们将在本笔记本中为我们的模块化代码奠定基础(在 05 中介绍)。 | 转到练习和课外活动 | 转到幻灯片 |
05 - PyTorch 走向模块化 | PyTorch被设计成模块化的,让我们把我们创建的东西变成一系列Python脚本(这就是你经常在野外找到PyTorch代码的方式)。 | 转到练习和课外活动 | 转到幻灯片 |
06 - PyTorch 迁移学习 | 让我们采用一个性能良好的预训练模型,并将其调整为我们自己的问题之一。 | 转到练习和课外活动 | 转到幻灯片 |
07 - 里程碑项目1:PyTorch实验跟踪 | 我们已经构建了一堆模型...跟踪它们的情况不是很好吗? | 转到练习和课外活动 | 转到幻灯片 |
08 - 里程碑项目2:PyTorch纸张复制 | PyTorch是机器学习研究中最受欢迎的深度学习框架,让我们通过复制机器学习论文来了解原因。 | 转到练习和课外活动 | 转到幻灯片 |
09 - 里程碑项目3:模型部署 | 所以我们建立了一个有效的 PyTorch 模型......我们如何把它交到别人手中?提示:将其部署到互联网。 | 转到练习和课外活动 | 转到幻灯片 |
PyTorch 额外资源 | 本课程涵盖了大量的 PyTorch 和深度学习,但机器学习领域非常广泛,在这里你可以找到推荐的书籍和资源:PyTorch 和深度学习、ML 工程、NLP(自然语言处理)、时间序列数据、在哪里可以找到数据集等等。 | - | - |
PyTorch 备忘单 | 快速概述 PyTorch 的一些主要功能,以及指向各种资源的链接,可以在课程和 PyTorch 文档中找到更多信息。 | - | - |
所有材料已完成,视频发布在 从零到精通!
请参阅在制品板的项目页面 - https://github.com/users/mrdbourke/projects/1
请参阅日志以获取几乎每日更新。
你:是机器学习或深度学习领域的初学者,想学习 PyTorch。
本课程:以动手、代码优先的方式教你 PyTorch 和许多机器学习概念。
如果你已经有 1 年 + 的机器学习经验,本课程可能会有所帮助,但它是专门为初学者设计的。
对于1和2,我推荐Zero to Mastery Data Science and Machine Learning Bootcamp,它将教你机器学习和Python的基础知识(虽然我有偏见,我也教那门课程)。
所有课程材料都可以在 learnpytorch.io 的在线书籍中免费获得。如果你喜欢阅读,我建议你浏览那里的资源。
如果你更喜欢通过视频学习,该课程也以学徒式的形式授课,这意味着我写PyTorch代码,你写PyTorch代码。
课程座右铭包括如果有疑问,运行代码并实验,实验,实验!
我的全部目标是帮助你做一件事:通过编写 PyTorch 代码来学习机器学习。
代码都是通过Google Colab Notebooks编写的(你也可以使用Jupyter Notebooks),这是一个令人难以置信的免费资源,用于试验机器学习。
如果你看视频,有证书和所有的爵士乐。
但证书是呵呵。
你可以将本课程视为机器学习动量构建器。
到最后,你将编写数百行PyTorch代码。
并且将接触到机器学习中许多最重要的概念。
因此,当你去构建自己的机器学习项目或检查使用 PyTorch 制作的公共机器学习项目时,它会感觉很熟悉,如果没有,至少你会知道去哪里看。
我们从 PyTorch 和机器学习的准系统基础知识开始,因此即使你不熟悉机器学习,你也会跟上进度。
然后,我们将探索更高级的领域,包括 PyTorch 神经网络分类、PyTorch 工作流程、计算机视觉、自定义数据集、实验跟踪、模型部署,以及我个人最喜欢的:迁移学习,这是一种强大的技术,可以将一个机器学习模型在另一个问题上学到的东西应用到你自己的问题上!
在此过程中,你将围绕一个名为 FoodVision 的总体项目构建三个里程碑项目,这是一个用于对食物图像进行分类的神经网络计算机视觉模型。
这些里程碑式的项目将帮助你练习使用 PyTorch 来涵盖重要的机器学习概念,并创建一个可以向雇主展示并说“这就是我所做的”的作品集。
你可以在任何设备上阅读材料,但本课程最好在桌面浏览器中查看和编码。
该课程使用一个名为Google Colab的免费工具。如果你没有这方面的经验,我会通过免费的Google Colab简介教程,然后回到这里。
要开始:
请留下讨论或直接给我发送电子邮件:daniel (at) mrdbourke (dot) com。
几乎每天都会更新正在发生的事情。
extras/
demos/
torchvision
torchvision=0.13
torchvision
torchvision=0.13
torchvision
helper_functions.py