[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"project-9692":3},{"id":4,"name":5,"fullName":6,"owner":7,"repo":5,"description":8,"homepage":9,"htmlUrl":10,"language":11,"languages":10,"totalLinesOfCode":10,"stars":12,"forks":13,"watchers":14,"openIssues":15,"contributorsCount":16,"subscribersCount":16,"size":16,"stars1d":17,"stars7d":18,"stars30d":19,"stars90d":16,"forks30d":16,"starsTrendScore":20,"compositeScore":21,"rankGlobal":10,"rankLanguage":10,"license":22,"archived":23,"fork":23,"defaultBranch":24,"hasWiki":25,"hasPages":23,"topics":26,"createdAt":10,"pushedAt":10,"updatedAt":43,"readmeContent":44,"aiSummary":45,"trendingCount":16,"starSnapshotCount":16,"syncStatus":46,"lastSyncTime":47,"discoverSource":48},9692,"pytorch-book","chenyuntc\u002Fpytorch-book","chenyuntc","PyTorch tutorials and fun projects including neural talk, neural style, poem writing, anime generation (《深度学习框架PyTorch：入门与实战》)","",null,"Jupyter Notebook",12834,3737,282,124,0,1,4,9,6,45,"MIT License",false,"master",true,[27,28,29,30,31,32,33,34,35,36,37,38,39,40,41,42],"autograd","caption","charrnn","deep-learning","gan","image-classification","jupyter-notebook","neural-style","neuraltalk","nn","pytorch","pytorch-tutorials","pytorch-tutorials-cn","tensor","tensorboard","visdom","2026-06-12 02:02:11","这是书籍《深度学习框架PyTorch：入门与实践（第2版）》的对应代码，但是也可以作为一个独立的PyTorch入门指南和教程。\n\n## 全新升级\n本书第2版基于第1版进行了全新升级，全书代码基于PyTorch 1.8版本进行编写，结合第一版广大读者的意见进行了全面更新，包含了基本使用、高级扩展以及实战应用三大模块。\n\n## 内容\n\n该书（教程\u002F仓库）的内容如图所示：\n![思维导图](imgs\u002Fmindmap.jpeg)\n\n可以看出本教程可以分为三部分：\n\n**基本使用**（第2～5章）讲解PyTorch内容，这部份介绍了PyTorch中主要的的模块，和深度学习中常用的一些工具。对于这部分内容，这里利用Jupyter Notebook作为教学工具，读者可以结合notebook修改运行，反复实验。\n\n- 第2章介绍PyTorch的安装以及相关学习环境的配置。同时，本章以概要的方式介绍PyTorch的主要内容，帮助读者初步了解PyTorch。\n- 第3章介绍PyTorch中多维数组Tensor以及自动微分系统autograd的使用，举例说明如何使用Tensor和autograd实现线性回归，并对比它们的不同点。本章对Tensor的基本结构以及autograd的原理进行了分析，帮助读者更加全面地了解PyTorch的底层模块。\n- 第4章介绍PyTorch中神经网络模块nn的基本用法，讲解了神经网络中的层、激活函数、损失函数以及优化器等，在本章的最后带领读者使用不到50行代码实现经典的网络结构ResNet。\n- 第5章介绍PyTorch中的数据加载、预训练模型、可视化工具以及GPU加速等工具，合理地使用这些工具可以提高用户的编程效率。\n\n**高级扩展**（第6～8章）讲解PyTorch中的一些高级扩展，学习这部分内容可以帮助读者编写更加高效的程序。\n\n- 第6章介绍PyTorch中的向量化思想，主要包括广播法则、基本索引、高级索引以及爱因斯坦操作。在本章的最后带领读者使用向量化思想实现深度学习中的卷积操作、交并比、RoI Align以及反向Unique操作。\n- 第7章介绍PyTorch中的分布式操作。分布式计算和并行计算可以加速网络的训练过程，本章详细介绍了并行计算和分布式计算的基本原理，同时介绍了如何使用torch.distributed以及Horovod进行PyTorch的分布式训练。\n- 第8章介绍PyTorch中的CUDA扩展，带领读者使用CUDA实现Sigmoid函数。同时，本章对CUDA、NVIDIA-driver、cuDNN以及Python之间的关系进行了总结。\n\n**实战应用**（第9~13章）利用PyTorch实现了几个酷炫有趣的应用，对于这部分的内容，本仓库给出完整的实现代码，并提供预训练好的模型作为demo，供读者测试。\n\n- 第9章是承上启下的一章，目标不是教会读者新函数、新知识，而实结合Kaggle中的一个经典比赛，实现深度学习中最为简单的图像二分类问题。在实现的过程中，将带领读者复习前5章的知识，并帮助读者合理地组织程序和代码，使程序更加易读且更好维护。同时，本章介绍了如何在PyTorch中调试。\n- 第10章介绍生成对抗网络的基本原理，带领读者从零开始实现一个动漫头像生成器，能够利用生成对抗网络生成风格多变的动漫头像。\n- 第11章介绍自然语言处理的一些基本知识，详细介绍了CharRNN以及Transformer的基本原理。本章带领读者使用Transformer实现自动写诗，该程序可以模仿古人进行诗词的续写以及藏头诗的生成。\n- 第12章介绍风格迁移的基本原理，带领读者实现支持任意风格迁移的神经网络。通过该网络，读者可以将任意图片转换为名画的风格。\n- 第13章介绍目标检测的基本原理，带领读者实现单阶段、无锚框、无非极大值抑制的目标检测算法CenterNet。CenterNet的设计思路可以迁移到三维图像的目标检测、人体姿态估计以及目标追踪等经典的计算机视觉问题中。\n\n\n\n **Notebook中的文字描述内容及部分Markdown内容属于本书的初稿，可能存在有描述不通顺之处，还请谅解，后续作者会逐渐校正**。这部分内容与书籍保证了80%的一致性，但可能有部分语病语法问题，由于时间关系暂未完全校正，后续作者会逐渐更新。\n\n## 是否需要买书\n\n书**不是必要的**，这个仓库包含书中60%以上的文字内容，90%以上的代码，尤其是前几章入门内容，几乎是完全保留了书中的讲解内容。读者即使不买书也能正常使用本教程。\n\n如果你觉得你更喜欢纸质版的阅读体验，并想留下一本印刷精美、完全彩印的书籍方便翻阅，不妨小破费一笔，支持一下作者近一年以来的工作～\n\n## 代码说明\n\n代码主要在python3+PyTorch1.6~1.8下测试得到最终结果，python2暂未测试，更新版本的PyTorch暂未测试。\n\n如果有任何不当，或者有待改进的地方，欢迎开issue讨论，或者提交pull request。\n\n## 环境配置\n\n1. 安装[PyTorch](http:\u002F\u002Fpytorch.org)，请从官网选择指定的版本安装即可，一键安装。更多的安装方式请参阅书中说明。\n\n2. 克隆仓库\n\n   ```python\n   git clone https:\u002F\u002Fgithub.com\u002Fchenyuntc\u002FPyTorch-book.git\n   ```\n\n## ^_^\n\n有任何bug，解释不清楚的地方或者是困惑，欢迎开issue\n\n欢迎pull requests\n\nHappy Coding!\n\n![](imgs\u002Fbook.jpeg)\n\n- [京东购买链接](https:\u002F\u002Fitem.jd.com\u002F13324115.html)\n- [当当购买链接](http:\u002F\u002Fproduct.dangdang.com\u002F29429915.html)\n","这个项目是《深度学习框架PyTorch：入门与实践（第2版）》一书的配套代码，同时也是一个独立的PyTorch入门指南和教程。它通过Jupyter Notebook形式提供了丰富的示例代码，涵盖了从PyTorch基础使用到高级扩展及实战应用的全面内容。核心功能包括Tensor操作、自动微分系统autograd、神经网络构建、数据加载与预处理、向量化编程、分布式计算、CUDA扩展等，并通过实际项目如图像分类、动漫头像生成、自动写诗、风格迁移以及目标检测等来展示PyTorch的强大能力。该项目适合任何希望掌握PyTorch并应用于深度学习任务的研究者、工程师或学生使用。",2,"2026-06-11 03:24:14","top_topic"]