English Version
这是书籍《深度学习框架PyTorch：入门与实践》的对应代码，但是也可以作为一个独立的PyTorch入门指南和教程。
更新说明
Working on migration to Pytorch 1.0, stay tuned!
当前版本的代码是基于pytorch 1.0.1， 如果想使用旧版的 请 git checkout v0.4 或者 git checkout v0.3。旧版代码有更好的python2/python3 兼容，CPU/GPU兼容测试。 新版的代码未经过完整测试，已在GPU和python3 下测试通过。但是理论上在python2和CPU上不应该有太多的问题。
内容
可以看出本教程可以分为两部分：
基础部分（前五章）讲解PyTorch内容，这部份介绍了PyTorch中主要的的模块，和深度学习中常用的一些工具。对于这部分内容，这里利用Jupyter Notebook作为教学工具，读者可以结合notebook修改运行，反复实验。
- 第二章介绍如何安装PyTorch和配置学习环境。同时提供了一个快速入门教程，基于官方的教程简化并更新内容，读者可以花费大约1到2小时的时间快速完成入门任务，而后根据需求再选择深入阅读后续相关章节的内容。
- 第三章介绍了PyTorch中多维数组Tensor和动态图autograd/Variable的使用，并配以例子，让读者分别使用Tensor和autograd实现线性回归，比较二者的不同点。除了介绍这二者的基础使用之外，本章还对Tensor的底层设计，以及autograd的计算图原理进行比较深入分析，希望能使得读者能对这些底层知识有更全面的掌握。
- 第四章介绍了PyTorch中神经网络模块nn的基础用法，同时讲解了神经网络中“层”，“损失函数”，“优化器”等，最后带领读者用不到50行的代码搭建出曾夺得ImageNet冠军的ResNet。
- 第五章介绍了PyTorch中数据加载，GPU加速，持久化和可视化等相关工具。
实战部分（第六到十章）利用PyTorch实现了几个酷炫有趣的应用，对于这部分的内容，本仓库给出完整的实现代码，并提供预训练好的模型作为demo，供读者测试。
- 第六章是承上启下的一章，这一章的目标不是教会读者新函数，新知识，而是结合Kaggle中一个经典的比赛，实现一个深度学习中比较简单的图像二分类问题。在实现过程中，带领读者复习前五章的知识，并提出代码规范以合理的组织程序，代码，使得程序更加可读，可维护。第六章还介绍了在PyTorch中如何进行debug。
- 第七章为读者讲解了当前最火爆的生成对抗网络（GAN），带领读者从头实现一个动漫头像生成器，能够利用GAN生成风格多变的动漫头像。
- 第八章为读者讲解了风格迁移的相关知识，并带领读者实现风格迁移网络，将自己的照片变成高大上的名画。
- 第九章为读者讲解了一些自然语言处理的基础知识，并讲解了CharRNN的原理。而后利用收集了几万首唐诗，训练出了一个可以自动写诗歌的小程序。这个小程序可以控制生成诗歌的格式，意境，还能生成藏头诗。
- 第十章为读者介绍了图像描述任务，并以最新的AI Challenger比赛的数据为例，带领读者实现了一个可以进行简单图像描述的的小程序。
- 第十一章（新增，实验性） 由Diamondfan 编写的语音识别。完善了本项目（本项目已囊括图像，文本，语音三大领域的例子）。
Notebook中的文字描述内容属于本书的初稿，有描述不通顺，错别字之处还请谅解。本打算删除notebook中描述的内容，只留下代码，但为了方便读者阅读学习，最终还是决定留下。 我会抽空根据书中内容逐字校对这部分内容，但并不对此并不提供具体时间点。
是否需要买书
书不是必要的，这个仓库包含书中50%以上的文字内容，90%以上的代码，尤其是前几章入门内容，几乎是完全保留了书中的讲解内容。读者即使不买书也能正常使用本教程。
如果你觉得纸质书的优势吸引你，不妨小破费一笔，支持一下作者这大半年来的工作。同时为了尽可能的方便读者，笔者还专门开通腾讯云的服务，用以保存教程中用到的部分模型，预处理的数据和部分大文件。
书中的部分内容已经过时，以此仓库内容为准。
代码说明
- 代码主要在python3下测试得到最终结果，python2暂未测试。v0.2和v0.3 分支的代码同时经过严格测试支持python2/python3
- 实战部分代码同时在GPU和CPU环境下测试通过
- 代码已更新兼容到PyTorch
0.4.1, 后续会考虑兼容v1.0，但暂无确切时间点。
如果你想在PyTorch 0.2.0或0.3下运行,请
git checkout v0.2 # v0.3
如果有任何不当，或者有待改进的地方，欢迎读者开issue讨论，或者提交pull request。
环境配置
安装PyTorch，请从官网选择指定的版本安装即可，一键安装（即使你使用anaconda，也建议使用pip）。更多的安装方式请参阅书中说明。
克隆仓库
git clone https://github.com/chenyuntc/PyTorch-book.git
安装第三方依赖包
cd pytorch-book && pip install -r requirements.txt
Visdom打不开及其解决方案
新版的visdom已经解决了这个问题,只需要升级即可
pip install --upgrade visdom
之前的解决方案 不再需要，已删除。
^_^
有任何bug，解释不清楚的地方或者是困惑，欢迎开issue
欢迎pull requests
Happy Coding!
-
1. 准备工作 1.1 代码 下载Pytorch-book中文版即可 1.2 环境 本书是1.0.1，因此建conda环境： # 不要忘了写环境名字 conda create -n pytorchbook python=3.6 pytorch=1.0.1 torchvision 1.3 配置jupyter notebook 内容在jupyter notebook中打开，如何在Ubuntu服务器中
-
零： 用torchvision.models构造常用baselines网络 import torchvision.models as models pytorch已定义models详看：Models and pre-trained weights — Torchvision main documentation 构造示例： import torchvision.models as models
-
代码是根据《深度学习之Pytorch实战计算机视觉》第六章实战手写体识别，经自己的测试思考改编而来。 文章源码可参考： https://github.com/JaimeTang/book-code/blob/master/chapter-6/chapter-6.ipynb 普通的cpu训练迭代一轮需要5分钟左右，（一共5轮）测试了几次觉得过于浪费时间。 更换GPU训练5轮一共需要3-5分钟，非常方
-
PyTorch 是一个 Torch7 团队开源的 Python 优先的深度学习框架，提供两个高级功能： 强大的 GPU 加速 Tensor 计算（类似 numpy） 构建基于 tape 的自动升级系统上的深度神经网络 你可以重用你喜欢的 python 包，如 numpy、scipy 和 Cython ，在需要时扩展 PyTorch。 在粒度级别上，PyTorch 是一个由以下组件组成的库： 通常使
-
Torch Geometry 是基于 PyTorch 的计算机视觉库，用于解决通用计算机几何数学问题。该库基于 PyTorch ，用于提高定义反向模式自动微分（reverse-mode auto-differentiation）和计算复杂函数梯度。
-
Pytorch Cheatsheet For more updated examples, see: Pytorch Kaggle Starter.
-
This repository provides tutorial code for deep learning researchers to learn PyTorch. In the tutorial, most of the models were implemented with less than 30 lines of code. Before starting this tutori
-
ABSA-PyTorch 是一个基于方面的情感分析，使用 PyTorch 实现。 要求 pytorch >= 0.4.0 numpy >= 1.13.3 sklearn python 3.6 / 3.7 transformers 要安装要求内容，请运行pip install -r requirements.txt. 对于非基于 BERT 的模型， 需要 GloVe 预训练的词向量，更多细节请参考
-
Animegan2-pytorch 是 AnimeGANv2 的 PyTorch 实现，可用于将风景、人像等素材照片或视频转化为动漫风格。 基本用法： 从原始存储库进行权重转换（需要 TensorFlow 1.x） git clone https://github.com/TachibanaYoshino/AnimeGANv2python convert_weights.py 推理 python