eat_pytorch_in_20_days下載eat_pytorch_in_20

eat_pytorch_in_20_days

Python

1.0.0

下載

How to eat Pytorch in 20 days ?

一，本書面向讀者?

本書假定讀者有一定的機器學習和深度學習基礎，使用過Keras或TensorFlow或Pytorch搭建訓練過簡單的模型。

號外號外，《20天吃掉那隻Pytorch》視頻版本登錄BiliBili啦，吃貨本貨傾情掌勺，只為最純正的鄉土味道，歡迎新老朋友前來品嚐??！

https://www.bilibili.com/video/BV1Ua411P7oe

二，本書寫作風格?

本書是一本對人類用戶極其友善的Pytorch入門工具書，Don't let me think是本書的最高追求。

本書主要是在參考Pytorch官方文檔和函數doc文檔基礎上整理寫成的。

儘管Pytorch官方文檔已經相當簡明清晰，但本書在篇章結構和範例選取上做了大量的優化，在用戶友好度方面更勝一籌。

本書按照內容難易程度、讀者檢索習慣和Pytorch自身的層次結構設計內容，循序漸進，層次清晰，方便按照功能查找相應範例。

本書在範例設計上盡可能簡約化和結構化，增強範例易讀性和通用性，大部分代碼片段在實踐中可即取即用。

如果說通過學習Pytorch官方文檔掌握Pytorch的難度大概是5，那麼通過本書學習掌握Pytorch的難度應該大概是2.

僅以下圖對比Pytorch官方文檔與本書《20天吃掉那隻Pytorch》的差異。

三，本書學習方案⏰

1，學習計劃

本書是作者利用工作之餘大概3個月寫成的，大部分讀者應該在20天可以完全學會。

預計每天花費的學習時間在30分鐘到2個小時之間。

當然，本書也非常適合作為Pytorch的工具手冊在工程落地時作為範例庫參考。

點擊學習內容藍色標題即可進入該章節。

日期	學習內容	內容難度	預計學習時間	更新狀態
	一、Pytorch的建模流程	️	0hour	✅
day1	1-1,結構化數據建模流程範例	️️️	1hour	✅
day2	1-2,圖片數據建模流程範例	️️️️	2hour	✅
day3	1-3,文本數據建模流程範例	️️️️️	2hour	✅
day4	1-4,時間序列數據建模流程範例	️️️️️	2hour	✅
	二、Pytorch的核心概念	️	0hour	✅
day5	2-1,張量數據結構	️️️️	1hour	✅
day6	2-2,自動微分機制	️️️	1hour	✅
day7	2-3,動態計算圖	️️️️️	2hour	✅
	三、Pytorch的層次結構	️	0hour	✅
day8	3-1,低階API示範	️️️️	1hour	✅
day9	3-2,中階API示範	️️️	1hour	✅
day10	3-3,高階API示範	️️️	1hour	✅
	四、Pytorch的低階API	️	0hour	✅
day11	4-1,張量的結構操作	️️️️️	2hour	✅
day12	4-2,張量的數學運算	️️️️	1hour	✅
day13	4-3,nn.functional和nn.Module	️️️️	1hour	✅
	五、Pytorch的中階API	️	0hour	✅
day14	5-1,Dataset和DataLoader	️️️️	1hour	✅
day15	5-2,模型層	️️️️️	2hour	✅
day16	5-3,損失函數	️️️️	1hour	✅
day17	5-4,TensorBoard可視化	️️️	1hour	✅
	六、Pytorch的高階API	️	0hour	✅
day18	6-1,構建模型的3種方法	️️	0.5hour	✅
day19	6-2,訓練模型的3種方法	️️️	1hour	✅
day20	6-3,使用GPU訓練模型	️️️️	1hour	✅
*	後記：我的產品觀	️	0hour	✅

2，學習環境

本書全部源碼在jupyter中編寫測試通過，建議通過git克隆到本地，並在jupyter中交互式運行學習。

step1: 克隆本書源碼到本地,使用碼雲鏡像倉庫國內下載速度更快

 git clone https://gitee.com/Python_Ai_Road/eat_pytorch_in_20_days

step2: 公眾號算法美食屋回復關鍵詞： pytorch ，獲取本項目所用數據集匯總壓縮包eat_pytorch_datasets.zip百度雲盤下載鏈接，下載解壓並移動到eat_pytorch_in_20_days路徑下，約160M。

 import torch 
from torch import nn

print ( "torch version:" , torch . __version__ )

a = torch . tensor ([[ 2 , 1 ]])
b = torch . tensor ([[ - 1 , 2 ]])
c = a @ b . t ()
print ( "[[2,1]]@[[-1],[2]] =" , c . item ())

 torch version: 2.0.1
[[2,1]]@[[-1],[2]] = 0

四，項目更新記錄

1，2022-08??更新pytorch與廣告推薦章節

適合對廣告推薦領域感興趣，且需要進階的同學??

日期	學習內容	內容難度	預計學習時間	更新狀態
	七、Pytorch與廣告推薦	️	0hour	✅
day1	7-1,推薦算法業務	️️️	0.5hour	✅
day2	7-2,廣告算法業務	️️️	0.5hour	✅
day3	7-3,FM模型	️️️	1hour	✅
day4	7-4,DeepFM模型	️️️️	1hour	✅
day5	7-5,FiBiNET模型	️️️️	2hour	✅
day6	7-6,DeepCross模型	️️️️️	2hour	✅
day7	7-7,DIN網絡	️️️️️	2hour	✅
day8	7-8,DIEN網絡	️️️️️	2hour	✅

2，2023-03??更新彩蛋章節

介紹一些與pytorch相關的周邊工具

日期	學習內容	內容難度	預計學習時間	更新狀態
	彩蛋：Pytorch周邊工具	️	0hour	✅
day1	A-1, Kaggle免費GPU使用攻略	️️️	1hour	✅
day2	A-2, Streamlit構建機器學習應用	️️️	1hour	✅
day3	A-3, 使用Mac M1芯片加速pytorch	️️️	1hour	✅
day4	A-4, optuna可視化調參魔法指南	️️️️	1hour	✅
day5	A-5, gradio讓你的機器學習模型性感起來	️️️️	1hour	✅
day6	A-6, wandb模型可視化分析	️️️	0.5hour	✅
day7	A-7, wandb模型可視化自動調參	️️️	1hour	✅

3， 2023-07??更新pytorch模型訓練工具庫torchkeras

相關章節代碼進行了對應優化調整。

功能	穩定支持起始版本	依賴或借鑒庫
✅ 訓練進度條	3.0.0	依賴tqdm,借鑒keras
✅ 訓練評估指標	3.0.0	借鑒pytorch_lightning
✅ notebook中訓練自帶可視化	3.8.0	借鑒fastai
✅ early stopping	3.0.0	借鑒keras
✅ gpu training	3.0.0	依賴accelerate
✅ multi-gpus training(ddp)	3.6.0	依賴accelerate
✅ fp16/bf16 training	3.6.0	依賴accelerate
✅ tensorboard callback	3.7.0	依賴tensorboard
✅ wandb callback	3.7.0	依賴wandb