趋近智
PyTorch入门
章节 1: PyTorch 入门与环境搭建
PyTorch 是什么？
安装与环境配置
张量介绍
创建张量
基本张量操作
与 NumPy 的关联
动手实践：环境配置与张量基本操作
章节 2: 高级张量操作
张量索引与切片
张量的重塑与维度调整
张量的合并与分割
理解广播机制
张量数据类型
CPU 与 GPU 张量
练习：张量操作技巧
章节 3: Autograd 自动微分
自动微分的原理
PyTorch 计算图
张量与梯度计算 (
requires_grad)执行反向传播 (
backward())访问梯度（
.grad）禁用梯度追踪
梯度累积
动手实践：Autograd 运用
章节 4: 使用
torch.nn 搭建模型torch.nn.Module 基类定义自定义网络架构
常见层：线性、卷积、循环
激活函数 (ReLU, Sigmoid, Tanh)
简单模型的顺序容器
损失函数 (
torch.nn 损失)优化器 (
torch.optim)练习：构建一个简单网络
章节 5: 高效数据处理
对专用数据加载器的需求
使用
torch.utils.data.Dataset内置数据集（例如：TorchVision）
数据变换 (
torchvision.transforms)使用
torch.utils.data.DataLoader自定义DataLoader用法
动手实践：构建数据处理流程
章节 6: 实现训练循环
训练循环的构成
设置模型、损失函数和优化器
使用 DataLoader 遍历数据
前向传播：获取预测结果
计算损失
反向传播：计算梯度
使用优化器更新权重
梯度清零
实现评估循环
保存和加载模型检查点
动手实践：完整训练流程
章节 7: 常用模型结构介绍
卷积神经网络 (CNN) 概述
在PyTorch中构建一个简单的CNN
理解CNN层的输入/输出形状
循环神经网络 (RNN) 概述
在PyTorch中构建一个简单的RNN
循环神经网络（RNN）的序列数据输入处理
LSTM 和 GRU 简要介绍
实践：实现基本CNN和RNN
章节 8: 监控与调试模型
PyTorch开发中常见错误
调试张量形状不匹配
检查设备放置 (CPU/GPU)
检查梯度问题（消失/爆炸）
使用 TensorBoard 可视化训练进度
训练/评估期间的指标记录
在 PyTorch 中使用 Python 调试器 (pdb)
实践：调试与可视化
反向传播：计算梯度
这部分内容有帮助吗？
- Automatic differentiation package - torch.autograd, PyTorch team, 2024 - PyTorch官方文档，涵盖了其自动微分引擎（Autograd）、计算图以及
loss.backward()方法的机制。 - Deep Learning, Ian Goodfellow, Yoshua Bengio, and Aaron Courville, 2016 (MIT Press) - 一本内容全面的教科书，详细阐述了反向传播和自动微分的理论基础，包括链式法则。
- Learning representations by back-propagating errors, David E. Rumelhart, Geoffrey E. Hinton, and Ronald J. Williams, 1986 Nature, Vol. 323 (Springer Nature) DOI: 10.1038/323533a0 - 介绍用于训练多层神经网络的反向传播算法的奠基性学术论文。
- CS231n: Deep Learning for Computer Vision. Backpropagation, Intuitions, Stanford University CS231n course staff, 2024 - 斯坦福大学CS231n课程讲义，提供了反向传播算法及其与计算图关系的直观和视觉化解释。