来源：机器之心
本文约800字，建议花5分钟阅读。
本文通过官方教程提供了PyTorch 入门技术培训。
最近的研究报告表明，PyTorch 已经取代TensorFlow 成为各大会议上占主导地位的深度学习框架。如果你想发表论文，不学习PyTorch怎么办？那么使用PyTorch开始深度学习需要多长时间呢？PyTorch官方教程说：只需60分钟。
教程链接：
https://pytorch.org/tutorials/beginner/deep_learning_60min_blitz.html
这是一本非常简洁的学习材料，其目的是让学习者熟悉PyTorch 的Tensor 库和神经网络，以及如何训练可以执行图像分类的神经网络。
虽然这是入门课程，但需要具备Numpy 的基础知识。
本教程分为五个部分。
PyTorch 概述Autograde：使用自动差分神经网络并行训练分类器数据
本教程的五个主要部分。
第1 节“PyTorch 概述”介绍了PyTorch 的基本技术细节，例如Tensors、基本算术语法以及Torch Tensors 和Numpy 数组之间的转换、CUDA Tensors 等基础知识。
如果你想了解更多关于PyTorch的Tensor运算信息，还可以按照文章中的链接找到相应的教程，包括数学运算、线性代数、随机数等等。
第2节介绍了PyTorch的包——Autograd用于区分。这是PyTorch 神经网络的核心，提供对张量的所有操作的自动微分。为了更直观地理解相关术语，本教程还提供了一些示例。
第3 节描述了训练神经网络的一般步骤。这包括定义具有一些可学习参数的神经网络、遍历输入数据集、通过神经网络处理输入、计算损失、将梯度传播到网络参数以及更新。网络权重等
在学习定义网络、计算损失和更新权重之后，第4 节开始解释如何训练分类器。本教程使用CIFAR10 数据集并将训练步骤分为五个步骤。
加载并标准化CIFAR10，定义损失函数和优化器，并在测试集上测试网络。
CIFAR10 数据集。
此外，本节还介绍了如何在GPU 上训练神经网络。
如果您想进一步加快训练过程，您还可以学习第5 节“—— 数据并行性”，了解如何在多个GPU 上训练网络。
本教程的每个部分都包含GoogleColab 链接，允许学习者实时运行代码并获得实践经验。
如果您想在本地运行该文件，也可以下载Notebook。
参考链接：
https://pytorch.org/tutorials/beginner/deep_learning_60min_blitz.htmlhttps://news.ycombinator.com/item?id=21240057https://www.youtube.com/watch?v=u7x8RXwLKcA
编辑：于腾凯
校对：林一琳
- 就这样-
关注清华大学青岛数据学院官方微信公众平台“THU数据学院”及其姐妹账号“数据学院THU”，获取更多讲座福利和优质内容。
版权声明：本文由今日头条转载，如有侵犯您的版权，请联系本站编辑删除。