pytorch deep learning
1.0.0
欢迎来到零来学习Pytorch进行深度学习课程，这是在互联网上学习Pytorch的第二个最佳地点（第一个是Pytorch文档）。
| 部分 | 它涵盖了什么？ | 练习和外交 | 幻灯片 |
|---|---|---|---|
| 00- Pytorch基本面 | 许多用于深度学习和神经网络的基本pytorch操作。 | 去练习和外交活动 | 去幻灯片 |
| 01- Pytorch工作流程 | 提供了解决深度学习问题并使用Pytorch建立神经网络的大纲。 | 去练习和外交活动 | 去幻灯片 |
| 02- pytorch神经网络分类 | 使用pytorch工作流程从01开始进行神经网络分类问题。 | 去练习和外交活动 | 去幻灯片 |
| 03- Pytorch电脑视觉 | 让我们看看如何使用01和02的相同工作流程将Pytorch用于计算机视觉问题。 | 去练习和外交活动 | 去幻灯片 |
| 04- Pytorch自定义数据集 | 如何将自定义数据集加载到Pytorch中？另外，我们将在本笔记本中为我们的模块化代码（涵盖05）奠定基础。 | 去练习和外交活动 | 去幻灯片 |
| 05- pytorch进行模块化 | Pytorch设计为模块化，让我们将创建的内容转换为一系列Python脚本（这就是您经常在野外找到Pytorch代码的方式）。 | 去练习和外交活动 | 去幻灯片 |
| 06- Pytorch转移学习 | 让我们以表现出色的预训练模型并将其调整为我们自己的问题之一。 | 去练习和外交活动 | 去幻灯片 |
| 07-里程碑项目1：Pytorch实验跟踪 | 我们已经建立了一堆型号...跟踪它们的进展不是很好吗？ | 去练习和外交活动 | 去幻灯片 |
| 08-里程碑项目2：Pytorch纸复制 | Pytorch是用于机器学习研究的最流行的深度学习框架，让我们通过复制机器学习纸来了解原因。 | 去练习和外交活动 | 去幻灯片 |
| 09-里程碑项目3：模型部署 | 因此，我们已经建立了一个工作的Pytorch模型...如何将其掌握在他人手中？提示：将其部署到Internet。 | 去练习和外交活动 | 去幻灯片 |
| Pytorch额外资源 | 本课程涵盖了大量的Pytorch和深度学习，但是机器学习的领域很广泛，在这里您会找到推荐的书籍和资源：Pytorch and Deep Mearning，ML Engineering，NLP（自然语言处理），时间序列数据，时间序列数据，在哪里可以找到数据集等。 | - | - |
| pytorch备忘单 | 非常快速概述Pytorch的一些主要功能以及指向各种资源的链接，在课程中和Pytorch文档中可以找到更多资源。 | - | - |
| 快速Pytorch 2.0教程 | FasssssST介绍了Pytorch 2.0的简介，什么是新的以及如何与资源一起开始学习更多信息。 | - | - |
所有材料均已完成，并在零上发布了视频！
请参阅项目页面以获取Work-In-Progress委员会-https：//github.com/users/mrdbourke/projects/1
请参阅日志以获取几乎每日更新。
您：是机器学习或深度学习领域的初学者，希望学习Pytorch。
本课程：以动手，代码优先的方式教您Pytorch和许多机器学习概念。
如果您已经在机器学习方面拥有1年+经验，那么本课程可能会有所帮助，但专门设计为初学者友好。
对于1和2，我建议零对数据科学和机器学习训练营进行零，它将教您机器学习和Python的基础知识（尽管我有偏见，但我也教那个课程）。
所有课程材料均可在Learnpytorch.io的在线书中免费获得。如果您想阅读，我建议您浏览其中的资源。
如果您希望通过视频学习，那么该课程也会以学徒风格的格式教授，这意味着我编写了Pytorch代码，您可以编写Pytorch代码。
如果有疑问，座右铭包括，运行代码和实验，实验，实验是有原因的！ 。
我的整个目标是帮助您做一件事情：通过编写Pytorch代码来学习机器学习。
该代码都是通过Google Colab笔记本（您也可以使用Jupyter Notebooks）编写的，这是一种令人难以置信的免费资源来尝试机器学习。
如果您浏览视频，则有证书和所有爵士乐。
但是证书是meh。
您可以考虑本课程的机器学习势头构建器。
最后，您将编写数百行Pytorch代码。
并将暴露于机器学习中许多最重要的概念。
因此，当您去构建自己的机器学习项目或检查使用Pytorch制造的公共机器学习项目时，它会感到熟悉，如果不熟悉，至少您会知道在哪里看。
我们从Pytorch和机器学习的准排骨基础开始，因此，即使您不熟悉机器学习，您也会遇到速度。
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：转移学习，一种强大的技术，用于将一个机器学习模型在另一个问题上学到的东西并将其应用于您自己！
一路上，您将围绕一个名为FoodVision的总体项目构建三个里程碑项目，这是一种神经网络计算机视觉模型，以对食物的图像进行分类。
这些里程碑项目将帮助您练习使用Pytorch涵盖重要的机器学习概念，并创建一个可以向雇主展示的投资组合，并说“这是我所做的”。
您可以在任何设备上阅读材料，但是最好在桌面浏览器中查看和编码此课程。
该课程使用称为Google Colab的免费工具。如果您没有它的经验，我将免费介绍Google COLAB教程，然后回到这里。
开始：
请留下讨论或直接给我发送电子邮件：Daniel（AT）Mrdbourke（DOT）com。
几乎每天都会更新发生的事情。
extras/中添加Pytorch作弊的笔记本（Pytorch的许多最重要功能的简单概述）demos/ ，开始注释笔记本09，使用解释器文本torchvision v0.13创建07 V2（释放torchvision=0.13时，将替换07 V1）torchvision v0.13（释放torchvision=0.13时，将替换06 V1）torchvision V0.13更新（新的转移学习方法）helper_functions.py
