eat_pytorch_in_20_days

How to eat Pytorch in 20 days ?🔥🔥

一，本书📖面向读者 👼

本书假定读者有一定的机器学习和深度学习基础，使用过Keras或TensorFlow或Pytorch搭建训练过简单的模型。

🔥🔥号外号外，《20天吃掉那只Pytorch》视频版本登录BiliBili啦，吃货本货倾情掌勺，只为最纯正的乡土味道，欢迎新老朋友前来品尝 🍉🍉！

https://www.bilibili.com/video/BV1Ua411P7oe

二，本书写作风格 🍉

本书是一本对人类用户极其友善的Pytorch入门工具书，Don’t let me think是本书的最高追求。

本书主要是在参考Pytorch官方文档和函数doc文档基础上整理写成的。

尽管Pytorch官方文档已经相当简明清晰，但本书在篇章结构和范例选取上做了大量的优化，在用户友好度方面更胜一筹。

本书按照内容难易程度、读者检索习惯和Pytorch自身的层次结构设计内容，循序渐进，层次清晰，方便按照功能查找相应范例。

本书在范例设计上尽可能简约化和结构化，增强范例易读性和通用性，大部分代码片段在实践中可即取即用。

如果说通过学习Pytorch官方文档掌握Pytorch的难度大概是5，那么通过本书学习掌握Pytorch的难度应该大概是2.

仅以下图对比Pytorch官方文档与本书《20天吃掉那只Pytorch》的差异。

三，本书学习方案 ⏰

1，学习计划

本书是作者利用工作之余大概3个月写成的，大部分读者应该在20天可以完全学会。

预计每天花费的学习时间在30分钟到2个小时之间。

当然，本书也非常适合作为Pytorch的工具手册在工程落地时作为范例库参考。

点击学习内容蓝色标题即可进入该章节。

日期	学习内容	内容难度	预计学习时间	更新状态
	一、Pytorch的建模流程	⭐️	0hour	✅
day1	1-1,结构化数据建模流程范例	⭐️⭐️⭐️	1hour	✅
day2	1-2,图片数据建模流程范例	⭐️⭐️⭐️⭐️	2hour	✅
day3	1-3,文本数据建模流程范例	⭐️⭐️⭐️⭐️⭐️	2hour	✅
day4	1-4,时间序列数据建模流程范例	⭐️⭐️⭐️⭐️⭐️	2hour	✅
	二、Pytorch的核心概念	⭐️	0hour	✅
day5	2-1,张量数据结构	⭐️⭐️⭐️⭐️	1hour	✅
day6	2-2,自动微分机制	⭐️⭐️⭐️	1hour	✅
day7	2-3,动态计算图	⭐️⭐️⭐️⭐️⭐️	2hour	✅
	三、Pytorch的层次结构	⭐️	0hour	✅
day8	3-1,低阶API示范	⭐️⭐️⭐️⭐️	1hour	✅
day9	3-2,中阶API示范	⭐️⭐️⭐️	1hour	✅
day10	3-3,高阶API示范	⭐️⭐️⭐️	1hour	✅
	四、Pytorch的低阶API	⭐️	0hour	✅
day11	4-1,张量的结构操作	⭐️⭐️⭐️⭐️⭐️	2hour	✅
day12	4-2,张量的数学运算	⭐️⭐️⭐️⭐️	1hour	✅
day13	4-3,nn.functional和nn.Module	⭐️⭐️⭐️⭐️	1hour	✅
	五、Pytorch的中阶API	⭐️	0hour	✅
day14	5-1,Dataset和DataLoader	⭐️⭐️⭐️⭐️	1hour	✅
day15	5-2,模型层	⭐️⭐️⭐️⭐️⭐️	2hour	✅
day16	5-3,损失函数	⭐️⭐️⭐️⭐️	1hour	✅
day17	5-4,TensorBoard可视化	⭐️⭐️⭐️	1hour	✅
	六、Pytorch的高阶API	⭐️	0hour	✅
day18	6-1,构建模型的3种方法	⭐️⭐️	0.5hour	✅
day19	6-2,训练模型的3种方法	⭐️⭐️⭐️	1hour	✅
day20	6-3,使用GPU训练模型	⭐️⭐️⭐️⭐️	1hour	✅
*	后记：我的产品观	⭐️	0hour	✅

2，学习环境

本书全部源码在jupyter中编写测试通过，建议通过git克隆到本地，并在jupyter中交互式运行学习。

step1: 克隆本书源码到本地,使用码云镜像仓库国内下载速度更快

git clone https://gitee.com/Python_Ai_Road/eat_pytorch_in_20_days

step2: 公众号 算法美食屋 回复关键词：pytorch，获取本项目所用数据集汇总压缩包 eat_pytorch_datasets.zip百度云盘下载链接，下载解压并移动到eat_pytorch_in_20_days路径下，约160M。

import torch 
from torch import nn

print("torch version:", torch.__version__)

a = torch.tensor([[2,1]])
b = torch.tensor([[-1,2]])
c = a@b.t()
print("[[2,1]]@[[-1],[2]] =", c.item())

torch version: 2.0.1
[[2,1]]@[[-1],[2]] = 0

四，项目更新记录

1，2022-08🎈🎈更新 pytorch与广告推荐章节

适合对广告推荐领域感兴趣，且需要进阶的同学😋😋

日期	学习内容	内容难度	预计学习时间	更新状态
	七、Pytorch与广告推荐	⭐️	0hour	✅
day1	7-1,推荐算法业务	⭐️⭐️⭐️	0.5hour	✅
day2	7-2,广告算法业务	⭐️⭐️⭐️	0.5hour	✅
day3	7-3,FM模型	⭐️⭐️⭐️	1hour	✅
day4	7-4,DeepFM模型	⭐️⭐️⭐️⭐️	1hour	✅
day5	7-5,FiBiNET模型	⭐️⭐️⭐️⭐️	2hour	✅
day6	7-6,DeepCross模型	⭐️⭐️⭐️⭐️⭐️	2hour	✅
day7	7-7,DIN网络	⭐️⭐️⭐️⭐️⭐️	2hour	✅
day8	7-8,DIEN网络	⭐️⭐️⭐️⭐️⭐️	2hour	✅

2，2023-03🎈🎈更新彩蛋章节

介绍一些与pytorch相关的周边工具

日期	学习内容	内容难度	预计学习时间	更新状态
	彩蛋：Pytorch周边工具	⭐️	0hour	✅
day1	A-1, Kaggle免费GPU使用攻略	⭐️⭐️⭐️	1hour	✅
day2	A-2, Streamlit构建机器学习应用	⭐️⭐️⭐️	1hour	✅
day3	A-3, 使用Mac M1芯片加速pytorch	⭐️⭐️⭐️	1hour	✅
day4	A-4, optuna可视化调参魔法指南	⭐️⭐️⭐️⭐️	1hour	✅
day5	A-5, gradio让你的机器学习模型性感起来	⭐️⭐️⭐️⭐️	1hour	✅
day6	A-6, wandb模型可视化分析	⭐️⭐️⭐️⭐	0.5hour	✅
day7	A-7, wandb模型可视化自动调参	⭐️⭐️⭐️⭐	1hour	✅

3， 2023-07🎈🎈更新pytorch模型训练工具库torchkeras

相关章节代码进行了对应优化调整。

功能	稳定支持起始版本	依赖或借鉴库
✅ 训练进度条	3.0.0	依赖tqdm,借鉴keras
✅ 训练评估指标	3.0.0	借鉴pytorch_lightning
✅ notebook中训练自带可视化	3.8.0	借鉴fastai
✅ early stopping	3.0.0	借鉴keras
✅ gpu training	3.0.0	依赖accelerate
✅ multi-gpus training(ddp)	3.6.0	依赖accelerate
✅ fp16/bf16 training	3.6.0	依赖accelerate
✅ tensorboard callback	3.7.0	依赖tensorboard
✅ wandb callback	3.7.0	依赖wandb

详情参考项目链接：：https://github.com/lyhue1991/torchkeras

五，鼓励和联系作者 🎈🎈

如果本书对你有所帮助，想鼓励一下作者，记得给本项目加一颗星星star⭐️，并分享给你的朋友们喔😊!

如果对本书内容理解上有一些疑问或者建议，可以在公众号”算法美食屋”后台回复关键字：加群，加入读者交流群和大家讨论。

算法美食屋logo.png

This site is open source. Improve this page.