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
正则化方法
这部分内容有帮助吗？
- Decoupled Weight Decay Regularization, Ilya Loshchilov, Frank Hutter, 2019 International Conference on Learning Representations (ICLR) DOI: 10.48550/arXiv.1711.05101 - 介绍了自适应优化器的解耦权重衰减，解决了Adam中L2正则化的局限性。
- Rethinking the Inception Architecture for Computer Vision, Christian Szegedy, Vincent Vanhoucke, Sergey Ioffe, Jonathon Shlens, Zbigniew Wojna, 2015 Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR) DOI: 10.48550/arXiv.1512.00567 - 引入了标签平滑正则化，作为提高分类模型泛化能力的方法。
- torch.optim.AdamW, PyTorch Authors, 2023 (PyTorch) - PyTorch官方关于
AdamW优化器的文档，详细说明了其用法和参数。 - torch.nn.CrossEntropyLoss, PyTorch Authors, 2023 (PyTorch) - PyTorch官方关于
CrossEntropyLoss模块的文档，包括对标签平滑的支持。