Learn PyTorch for Deep Learning: Zero to Mastery 开源课程仓库完整导读【免费下载链接】pytorch-deep-learningMaterials for the Learn PyTorch for Deep Learning: Zero to Mastery course.项目地址: https://gitcode.com/GitHub_Trending/py/pytorch-deep-learning本仓库是 Zero to Mastery《Learn PyTorch for Deep Learning: Zero to Mastery》课程的完整开源资料库它以在线书籍 视频课程的形式从张量运算、PyTorch 工作流一路讲到计算机视觉、自定义数据集、迁移学习、实验追踪、论文复现与模型部署。读完本文你将掌握仓库的全部内容布局、十章学习路线的覆盖范围与衔接关系、FoodVision 实战项目的演进脉络以及如何从 Google Colab 快速起步并逐步过渡到模块化 Python 脚本的工程化工作流。仓库与在线书籍一门以代码为主的深度学习课程docs/index.md是本仓库在线书籍版learnpytorch.io的首页与总目录。原文档明确指出这是 Zero to Mastery《Learn PyTorch for Deep Learning: Zero to Mastery》课程的在线书籍形态课程以视频为主但所有视频内容均以本在线书籍为蓝本。课程的核心理念非常鲜明课程焦点code, code, code, experiment, experiment, experiment写代码、做实验教学风格学徒制apprenticeship-style即我写 PyTorch 代码你跟着写 PyTorch 代码课程目标通过亲手编写 PyTorch 代码来学习机器学习而不是纸上谈兵。仓库根目录的 README.md 与docs/index.md内容互为呼应二者共同构成课程的入口文档。课程的全部代码以 Google Colab Notebooks 形式提供同样兼容 Jupyter Notebooks这也是初学者最省事的上手方式——Colab 预装 PyTorch 以及 pandas、NumPy、Matplotlib 等数据科学包并免费提供 GPU 加速。是否覆盖 PyTorch 2.0答案是肯定的。原文档对此有专门说明PyTorch 2.0 是对之前版本 PyTorch 的增量发布additive release即在既有基线功能之上叠加新特性。这意味着课程仍以 PyTorch 的基线功能为主面向希望入门深度学习/AI 的初学者当你掌握了 PyTorch 基础之后2.0 只是一次快速升级。仓库中配套的 extras/pytorch_2_intro.ipynb 专门讲解了 2.0 的新特性可作为进阶阅读。课程大纲十章路线图 四篇补充材料原文档的核心是一张课程大纲总表逐章说明覆盖内容并配有练习与幻灯片链接。下表将该表格完整保留并将外部链接替换为仓库内相对路径方便你直接在本仓库内跳转章节覆盖内容练习与课外拓展幻灯片00 - PyTorch 基础深度学习中大量使用的 PyTorch 基础运算与神经网络入门操作练习与课外拓展解答幻灯片01 - PyTorch 工作流给出逼近深度学习问题、用 PyTorch 构建神经网络的通用流程框架练习与课外拓展解答幻灯片02 - PyTorch 神经网络分类复用第 01 章工作流完整走通一个神经网络分类问题练习与课外拓展解答幻灯片03 - PyTorch 计算机视觉沿用 01、02 章的工作流用 PyTorch 解决计算机视觉问题FashionMNIST 数据集练习与课外拓展解答幻灯片04 - PyTorch 自定义数据集如何把自定义数据集加载进 PyTorch本章同时为第 05 章的模块化代码奠定基础练习与课外拓展解答幻灯片05 - PyTorch Going ModularPyTorch 天生是模块化的把已写的代码整理成一系列 Python 脚本这也是你在真实开源项目中常见的形态练习模板解答幻灯片06 - PyTorch 迁移学习把一个表现优异的预训练模型调整到自己的问题上EfficientNet 特征提取器练习与课外拓展解答幻灯片07 - 里程碑项目 1PyTorch 实验追踪我们构建了一堆模型……是不是该记录下它们各自的表现用 TensorBoard 追踪实验练习模板解答幻灯片08 - 里程碑项目 2PyTorch 论文复现PyTorch 是机器学习研究中最流行的框架通过复现一篇论文Vision Transformer体会原因练习与课外拓展解答幻灯片09 - 里程碑项目 3模型部署我们有了能工作的 PyTorch 模型……如何交到别人手里答案部署到互联网Gradio Hugging Face Spaces练习与课外拓展解答幻灯片PyTorch 课外资源机器学习领域广袤无边这里推荐书籍与资源覆盖 PyTorch 与深度学习、ML 工程、NLP、时间序列、数据集获取等--PyTorch 速查表快速总览 PyTorch 主要特性并链接到课程与 PyTorch 文档中的更多内容--PyTorch 最常见的三个错误概述 PyTorch 最常见的三类错误shape 形状、device 设备、datatype 数据类型讲解成因与修复方法--PyTorch 2.0 快速入门快速介绍 PyTorch 2.0 的新特性、如何起步以及更多学习资源--说明仓库中docs/目录与根目录各保存了一份章节笔记本mkdocs.yml中的nav配置表明在线书籍就是由这些 ipynb/md 文件渲染而成上表链接统一指向根目录版本。各章节配套资源练习、解答与幻灯片一应俱全原文档强调每个模块都配有专门的练习区并鼓励学习者独立尝试练习——你会卡住但这是学习新事物的本质每个人都会卡住。仓库为此提供了三层配套资源均可直接打开运行练习模板位于 extras/exercises/与章节一一对应00_pytorch_fundamentals_exercises.ipynb至09_pytorch_model_deployment_exercises.ipynb供你在空白骨架中动手写代码参考答案位于 extras/solutions/命名规则为XX_xxx_exercise_solutions.ipynb遇到卡点时可对照参考章节幻灯片位于 slides/10 章各有一份 PDF00_pytorch_and_deep_learning_fundamentals.pdf至09_pytorch_model_deployment.pdf适合快速回顾章节核心概念。面向谁初学者友好但有明确先决条件原文档对目标读者做了清晰界定面向你机器学习/深度学习/AI 领域的初学者想系统学习 PyTorch教学方式hands-on、code-first动手优先、代码优先如果你已有一年以上机器学习经验这门课或许仍有用但它是专门为初学者设计的。先决条件原文档原文要点36 个月的 Python 编码经验至少修过一门入门级机器学习课程也可以跳过课程内为许多主题链接了资源有 Jupyter Notebook 或 Google Colab 的使用经验也可以边学边补学习的意愿最重要。你将构建什么贯穿全课程的 FoodVision 实战项目原文档明确指出课程沿途会构建三个里程碑项目它们围绕一个总项目展开——FoodVision一个用于对食物图片进行分类的神经网络计算机视觉模型。三个里程碑项目分别是实验追踪07、论文复现08、模型部署09它们共同构成可以向雇主展示的实战作品集。仓库中与 FoodVision 直接相关的资源非常完整数据集data/pizza_steak_sushi.zip披萨/牛排/寿司三分类及 data/pizza_steak_sushi_20_percent.zip20% 子集用于迁移学习等实验训练好的模型权重models/07_effnetb2_data_20_percent_10_epochs.pth第 07 章迁移学习产物可部署的演示应用demos/foodvision_mini.zip三分类pizza/steak/sushi与 demos/foodvision_big.zip基于 Food101 数据集的 101 分类。按 demos/README.md 的说明每个 zip 内含model.py模型架构、app.pyGradio 应用、*.pth训练好的权重、requirements.txt依赖清单和examples/示例图片FoodVision 布局图直观呈现了从三分类到 101 分类的项目演进如何学习这门课程六步方法论原文档给出了六条实操建议这也是作者本人推荐的完整学习路径跟着写代码if in doubt, run the code——尽量自己动手写直到你能下意识地写出 PyTorch 代码探索与实验experiment, experiment, experiment!——机器学习高度依赖实验如果你想抛开材料自己尝试那就去做可视化你不理解的内容visualize, visualize, visualize!——把数字变成图形看清代码的输入和输出长什么样提问——卡住时先搜索找不到答案就去课程的 GitHub Discussions 提问做练习——每个模块都有专属练习区务必独立尝试卡住是学习新事物的常态分享你的作品——学到或做出酷东西就分享出来既能锻炼表达也方便他人帮你答疑。原文档还回答了是否必须按顺序学习各笔记本/章节按顺序相互衔接例如 02 复用 01 的工作流04 为 05 的模块化打基础但完全可以跳着学。而从哪里开始则非常简单点开任一笔记本 → 点击页面顶部的Open in Colab按钮 → 按SHIFTEnter运行几个单元格看看会发生什么。如何起步Google Colab 一键运行本地环境按需搭建原文档推荐用Google Colab作为首选环境免费、零配置、自带 GPU并给出了三步上手流程点开章节笔记本、点击 Open in Colab、按SHIFTEnter运行。仓库内的 SETUP.md 则详细记录了两条路线路线一最省事Google Colab。优点几乎零配置PyTorch、pandas、NumPy、Matplotlib 预装、可链接分享、免费 GPU缺点会话约 23 小时超时、不便使用本地存储、对脚本化开发支持较弱。可通过Runtime - Change runtime type - Hardware Accelerator - GPU开启 GPU并用!nvidia-smi验证用torch.cuda.is_available()确认 PyTorch 可见 GPU路线二本地/远程 Linux NVIDIA GPUSETUP.md 提供了基于 Miniconda 的完整步骤创建目录 →conda create --prefix ./env python3.8.13→conda activate ./env→ 安装pytorch、torchvision、cudatoolkit、jupyterlab、torchinfo、torchmetrics等依赖 → 启动jupyter lab并在 Notebook 中验证torch.cuda.is_available()返回True。工程化进阶Going Modular把笔记本代码变成 Python 脚本第 05 章回答了机器学习从业者绕不开的问题如何把我的笔记本代码变成 Python 脚本这正是真实 PyTorch 开源项目最常见的代码形态。章节主文档 05_pytorch_going_modular.md 将代码单元拆分为职责清晰的脚本而仓库中 going_modular/going_modular/ 就是这份标准答案的实现全部脚本由05_pytorch_going_modular_script_mode.ipynb生成。各文件职责如下文件职责源码要点data_setup.py创建 DataLoader用torchvision.datasets.ImageFolder加载 train/test 目录DataLoader设置shuffleTrue训练、pin_memoryTrue、num_workersos.cpu_count()返回(train_dataloader, test_dataloader, class_names)model_builder.py定义模型架构TinyVGG两个Conv2d→ReLU→Conv2d→ReLU→MaxPool2d卷积块 Flatten后接Linear(hidden_units*13*13, output_shape)分类头输入 64×64 图像时卷积压缩后的特征维度engine.py训练/测试循环train_step()前向、算 loss、optimizer.zero_grad()、loss.backward()、optimizer.step()、累计准确率、test_step()torch.inference_mode()下前向求 loss 与 accuracy、train()以tqdm循环 epochs 并返回含train_loss/train_acc/test_loss/test_acc四个列表的字典utils.py工具函数save_model()创建目标目录断言文件名以.pth/.pt结尾用torch.save(model.state_dict(), ...)保存train.py训练入口顶部集中定义超参数NUM_EPOCHS5、BATCH_SIZE32、HIDDEN_UNITS10、LEARNING_RATE0.001设备用cuda if torch.cuda.is_available() else cpu自动选择组合上述模块完成加载数据 → 建模型 → 设 loss/优化器 → 训练 → 保存的完整流水线predictions.py推理工具pred_and_plot_image()加载图片 → 变换默认 ImageNet 归一化 mean[0.485, 0.456, 0.406]、std[0.229, 0.224, 0.225]→unsqueeze(0)加 batch 维 →torch.softmax转概率 →argmax转标签 → Matplotlib 绘图并标注预测类别与概率可以看到train.py 将超参数集中为模块级常量是脚本化训练的典型模板05_pytorch_going_modular.md中展示的命令行形态python train.py --model MODEL_NAME --batch_size BATCH_SIZE --lr LEARNING_RATE --num_epochs NUM_EPOCHS正是此类脚本在真实开源仓库中的调用方式。仓库 going_modular/models/ 中还保留了两个已训练权重cell 模式与 script 模式各一可直接对照验证脚本运行结果。贯穿全程的公共工具箱helper_functions.py仓库根目录的 helper_functions.py 是课程反复使用的公共函数库注释明言任何被定义一次且会被反复使用的函数都会放进这里。从源码看它覆盖了课程多个章节的通用需求walk_through_dir()遍历目录并打印每个子目录下的图片数量第 04 章数据探查plot_decision_boundary()绘制模型分类决策边界第 02 章plot_predictions()/plot_loss_curves()绘制回归预测与训练/测试损失曲线第 01 章起通用accuracy_fn()分类准确率计算print_train_time()统计训练耗时pred_and_plot_image()对单张图片做预测并可视化第 04、06 章set_seeds(seed42)统一设置torch.manual_seed与torch.cuda.manual_seed保证实验可复现第 06 章起download_data()自动下载并解压 zip 数据集如pizza_steak_sushi.zip已存在则跳过。这套工具函数贯穿 0009 章配合各章节笔记本根目录与 docs/ 目录各一份可直接import使用是理解如何沉淀可复用代码的极佳范例。仓库目录速查结合docs/index.md的章节规划仓库顶层结构可以快速定位为章节笔记本根目录00_pytorch_fundamentals.ipynb09_pytorch_model_deployment.ipynbdocs/下另有在线书籍渲染版本video_notebooks/下为配套视频笔记本课程文档docs/在线书籍源文件 mkdocs.yml 站点配置、README.md含课程日志 Log 与大纲、SETUP.md环境搭建模块化代码going_modular/脚本版代码与两个模式的教学笔记本公共工具helper_functions.py数据与模型data/pizza_steak_sushi 数据集、models/各章训练好的权重配套资源extras/练习、解答、速查表、错误指南、PyTorch 2.0 入门等、slides/10 章 PDF 幻灯片、demos/FoodVision Mini/Big 部署演示包课程封面图images/misc-pytorch-course-launch-cover-white-text-black-background.jpg。课程状态据docs/index.md的 Status 说明最后更新于 2023 年 4 月 16 日课程已在 ZTM Academy 上线0009 章视频全部完成README 中的 Log 进一步记录了 PyTorch 2.0 教程于 2023 年 5 月完成。仓库 README.md 还提供了按时间倒序的完整创作日志从 2021 年 10 月仓库建立到各章笔记本、幻灯片、练习与解答的逐日推进过程均有迹可循适合想要了解课程迭代历史的学习者翻阅。从零基础 Tensor 运算到把模型部署到互联网这门课提供的是一条经过完整验证的学习路径先用 Colab 笔记本快速实验再通过 Going Modular 把代码沉淀为可复用的 Python 脚本最终用 FoodVision 三个里程碑项目把所学串成可展示的作品集。现在点开 00_pytorch_fundamentals.ipynb按SHIFTEnter开始你的第一行 PyTorch 代码吧。【免费下载链接】pytorch-deep-learningMaterials for the Learn PyTorch for Deep Learning: Zero to Mastery course.项目地址: https://gitcode.com/GitHub_Trending/py/pytorch-deep-learning创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考