趋近智
高级 PyTorch
章节 1: PyTorch 内部机制与自动求导
张量实现细节
理解计算图
Autograd 引擎机制
自定义 Autograd 函数：前向与反向
高阶梯度计算
梯度查看与图可视化
内存管理考量
实践操作：构建自定义自动求导函数
章节 2: 进阶神经网络结构
从组件构建Transformer模型
高级注意力机制
使用 PyTorch Geometric 的图神经网络
用于生成建模的归一化流
神经常微分方程
元学习算法
实践：实现自定义GNN层
章节 3: 优化技术与训练策略
高级优化器概述
高级学习率调度
正则化方法
梯度裁剪与累积
使用 torch.cuda.amp 进行混合精度训练
处理大型数据集的策略
自动化超参数调整
动手实战：实现混合精度训练
章节 4: 模型部署和性能优化
TorchScript 基础: 追踪与脚本化
模型量化技术
模型剪枝策略
PyTorch Profiler 性能分析
通过外部库优化算子
模型导出为 ONNX 格式
使用 TorchServe 提供模型服务
实践：模型性能分析与量化
章节 5: 分布式训练与并行
分布式计算基本原理
使用 DistributedDataParallel (DDP) 进行数据并行
张量模型并行
流水线并行实现
全分片数据并行（FSDP）
使用 torch.distributed 通信原语
设置分布式环境
实践操作：设置DDP训练脚本
章节 6: 自定义扩展与互操作性
构建定制C++扩展
构建自定义 CUDA 扩展
使用 ATen 库
PyTorch 与 NumPy 的连接
使用自定义模块扩展 torch.nn
扩展 torch.optim，使用自定义优化器
外部函数接口 (FFI)
实践：构建一个简单的 CUDA 扩展
自定义 Autograd 函数：前向与反向
这部分内容有帮助吗？
- torch.autograd.Function, PyTorch Contributors, 2024 (PyTorch Foundation) - 提供PyTorch中创建自定义可微分操作的官方API参考和示例。
- Autograd mechanics, PyTorch Contributors, 2024 (PyTorch Foundation) - 详细介绍了PyTorch自动微分引擎的机制，这对于理解自定义
Function的实现至关重要。 - Deep Learning, Ian Goodfellow, Yoshua Bengio, and Aaron Courville, 2016 (MIT Press) - 第6章详细介绍了反向传播和数值微分技术，这些技术是PyTorch自动微分系统等的基础。
- Deep Learning with PyTorch, Eli Stevens, Luca Antiga, and Thomas Viehmann, 2020 (Manning Publications) - 提供在PyTorch中实现自定义
autograd.Function的实用示例和深入理解。