PyTorch官方培訓(xùn)教程 從概念到實(shí)操連小白也能上手

你是否也有這樣的困惑：

“看了無(wú)數(shù)個(gè)入門教程，這個(gè)門還是沒(méi)跨進(jìn)去……”

這一次，你可能終于有救了！ PyTorch官方推出了培訓(xùn)教程，手把手帶你飛！

課程從介紹PyTorch基本概念開(kāi)始，小白看了完全無(wú)壓力

一步步深入，手把手帶你建模、訓(xùn)練、部署

短短八節(jié)課程，你就能真正上手PyTorch！

既然這么厲害，那么就來(lái)一起感受一下這份教程吧～

課程大綱

1 。介紹PyTorch

雖然這次課程偏向?qū)嶋H操作，但是官方依舊非常友好地默認(rèn)大家都是新手，從基礎(chǔ)概念上開(kāi)始逐步引入。

2.介紹PyTorch Tensors

在第二節(jié)課程中，開(kāi)始正式引入概念：

Tensor（張量）是PyTorch中的核心，它類似于NumPy的ndarrays ，表示的是一個(gè)多維矩陣。

PyTorch中的Tensors可以運(yùn)行在GPU上，并且大大加快了運(yùn)行速度。

具體課程如下：

創(chuàng)建PyTorch Tensors

數(shù)學(xué)或邏輯上的應(yīng)用

張量復(fù)制

如何轉(zhuǎn)移到GPU

操縱張量形狀

PyTorch-Numpy Bridge

教程中舉出了許多張量運(yùn)算的典型例子：

比如創(chuàng)建一個(gè)-1到1之間的隨機(jī)張量，可以取它的絕對(duì)值，使得到的所有值都是正數(shù)；可以接受它的反正弦值，因?yàn)橹翟?1到1之間且返回一個(gè)的角度。

此外，PyTorch中的張量還能進(jìn)行線性代數(shù)運(yùn)算，如行列式或奇藝值分解；

數(shù)據(jù)統(tǒng)計(jì)、匯總，計(jì)算均值、標(biāo)準(zhǔn)差、最大值、最小值等等也都不在話下。

3.自動(dòng)求導(dǎo)機(jī)制

自動(dòng)求導(dǎo)是PyTorch能夠快速運(yùn)行的重要原因，它可以在深度學(xué)習(xí)中構(gòu)建靈活框架。

通過(guò)梯度計(jì)算也可以推動(dòng)基于反向傳播的機(jī)器學(xué)習(xí)。

具體課程如下：

為什么要用自動(dòng)求導(dǎo)？

典型案例示范

模型訓(xùn)練中的自動(dòng)求導(dǎo)

使用自動(dòng)求導(dǎo)

自動(dòng)求導(dǎo)分析

高級(jí)API

在具體例子中，教程使用簡(jiǎn)單的遞歸神經(jīng)或RNN來(lái)展示。

4.構(gòu)建模型

具體課程：

模塊和參數(shù)

常見(jiàn)神經(jīng)網(wǎng)絡(luò)層類型

其他層和函數(shù)

以識(shí)別字母模型為例， 教程首先展示了如何搭建一個(gè)神經(jīng)網(wǎng)絡(luò)：

在構(gòu)建好網(wǎng)絡(luò)后，將其轉(zhuǎn)化為代碼，就完成了模型的搭建。

5.PyTorch TensorBoard支持

具體課程：

TensorBoard可視化

繪制標(biāo)量&可視化訓(xùn)練

模型可視化

使用嵌入可視化數(shù)集

這一步，教程中用模型進(jìn)行了一個(gè)簡(jiǎn)單的訓(xùn)練：識(shí)別不同類型的服裝。

通過(guò)跟蹤訓(xùn)練將數(shù)據(jù)可視化，然后用TensorBoard來(lái)查看模型本身，從而進(jìn)一步可視化數(shù)據(jù)及其內(nèi)部關(guān)系。

6.訓(xùn)練模型

具體課程：

用Torch.NN建模

自動(dòng)梯度計(jì)算學(xué)習(xí)

TensorBoard可視化

7.使用Captum探索PyTorch模型的可解釋性

Captum是一個(gè)模型解釋庫(kù)，該庫(kù)為許多新的算法（如：ResNet、BERT、一些語(yǔ)義分割網(wǎng)絡(luò)等）提供了解釋性。

可以幫助我們更好地理解對(duì)模型預(yù)測(cè)結(jié)果產(chǎn)生作用的具體特征、神經(jīng)元及神經(jīng)網(wǎng)絡(luò)層。

具體課程：

基本概念

特殊舉例

圖層屬性舉例

用Captum & Captum insights探索模型的可解釋性

8.模型部署推理

具體課程：

PyTorch模型評(píng)估

TorchScript

TorchScript & C++

TorchServe部署

最后一步，將以上構(gòu)建出的模型進(jìn)行評(píng)估。

編輯：jq