> [!NOTE] > 本文档由 WeHub 基于上游 README 翻译整理，属于社区翻译，非官方中文文档。 > [English](./README.en.md) · [原始项目](https://github.com/mrdbourke/pytorch-deep-learning) · [上游 README](https://github.com/mrdbourke/pytorch-deep-learning/blob/HEAD/README.md) > 原作者、版权与许可证归属以原始项目及本仓库 LICENSE 文件为准。 # 学习 PyTorch 深度学习 欢迎来到 [Zero to Mastery Learn PyTorch for Deep Learning 课程](https://dbourke.link/ZTMPyTorch),——互联网上学习 PyTorch 的第二好去处（第一好是 [PyTorch 文档](https://pytorch.org/docs/stable/index.html)). * **2023 年 4 月更新：** 全新的 [PyTorch 2.0 教程](https://www.learnpytorch.io/pytorch_2_intro/) 已上线！由于 PyTorch 2.0 是增量式（新功能）且向后兼容的发布，所有先前的课程材料在 PyTorch 2.0 下*仍然*可用。
Zero to Mastery PyTorch 深度学习课程封面，展示课程的不同章节
## 本页目录 * [课程材料/大纲](https://github.com/mrdbourke/pytorch-deep-learning#course-materialsoutline) * [关于本课程](https://github.com/mrdbourke/pytorch-deep-learning#about-this-course) * [状态](https://github.com/mrdbourke/pytorch-deep-learning#status)（课程制作进度） * [日志](https://github.com/mrdbourke/pytorch-deep-learning#log)（课程材料制作过程的记录） ## 课程材料/大纲 * 📖 **在线书籍版本：** 所有课程材料均可在 [learnpytorch.io](https://learnpytorch.io). 在线阅读。 * 🎥 **YouTube 上前五章：** 观看 [前 25 小时的内容](https://youtu.be/Z_ikDlimN6A).，一天学会 PyTorch。 * 🔬 **课程重点：** 代码、代码、代码，实验、实验、实验。 * 🏃‍♂️ **教学风格：** [https://sive.rs/kimo](https://sive.rs/kimo). * 🤔 **提问：** 请前往 [GitHub Discussions 页面](https://github.com/mrdbourke/pytorch-deep-learning/discussions) 查看已有问题或提出自己的问题。 | **章节** | **涵盖内容** | **练习与课外拓展** | **幻灯片** | | ----- | ----- | ----- | ----- | | [00 - PyTorch 基础](https://www.learnpytorch.io/00_pytorch_fundamentals/) | 深度学习和神经网络中常用的诸多基础 PyTorch 操作。 | [前往练习与课外拓展](https://www.learnpytorch.io/00_pytorch_fundamentals/#exercises) | [前往幻灯片](https://github.com/mrdbourke/pytorch-deep-learning/blob/main/slides/00_pytorch_and_deep_learning_fundamentals.pdf) | | [01 - PyTorch 工作流](https://www.learnpytorch.io/01_pytorch_workflow/) | 提供用 PyTorch 解决深度学习问题并构建神经网络的思路大纲。 | [前往练习与课外拓展](https://www.learnpytorch.io/01_pytorch_workflow/#exercises) | [前往幻灯片](https://github.com/mrdbourke/pytorch-deep-learning/blob/main/slides/01_pytorch_workflow.pdf) | | [02 - PyTorch 神经网络分类](https://www.learnpytorch.io/02_pytorch_classification/) | 运用第 01 章的 PyTorch 工作流，完成一个神经网络分类问题。 | [前往练习与课外拓展](https://www.learnpytorch.io/02_pytorch_classification/#exercises) | [前往幻灯片](https://github.com/mrdbourke/pytorch-deep-learning/blob/main/slides/02_pytorch_classification.pdf) | | [03 - PyTorch 计算机视觉](https://www.learnpytorch.io/03_pytorch_computer_vision/) | 看看如何沿用第 01、02 章的工作流，用 PyTorch 解决计算机视觉问题。 | [前往练习与课外拓展](https://www.learnpytorch.io/03_pytorch_computer_vision/#exercises) | [前往幻灯片](https://github.com/mrdbourke/pytorch-deep-learning/blob/main/slides/03_pytorch_computer_vision.pdf) | | [04 - PyTorch 自定义数据集](https://www.learnpytorch.io/04_pytorch_custom_datasets/) | 如何将自定义数据集加载到 PyTorch 中？本 notebook 还会为模块化代码（第 05 章介绍）打下基础。 | [前往练习与课外拓展](https://www.learnpytorch.io/04_pytorch_custom_datasets/#exercises) | [前往幻灯片](https://github.com/mrdbourke/pytorch-deep-learning/blob/main/slides/04_pytorch_custom_datasets.pdf) | | [05 - PyTorch 模块化](https://www.learnpytorch.io/05_pytorch_going_modular/) | PyTorch 的设计注重模块化；让我们把已创建的内容整理成一系列 Python 脚本（这也是你在实际项目中常见的 PyTorch 代码组织方式）。 | [前往练习与课外拓展](https://www.learnpytorch.io/05_pytorch_going_modular/#exercises) | [前往幻灯片](https://github.com/mrdbourke/pytorch-deep-learning/blob/main/slides/05_pytorch_going_modular.pdf) | | [06 - PyTorch 迁移学习](https://www.learnpytorch.io/06_pytorch_transfer_learning/) | 选取一个表现优异的预训练模型，并针对我们自己的问题进行调整。 | [前往练习与课外拓展](https://www.learnpytorch.io/06_pytorch_transfer_learning/#exercises) | [前往幻灯片](https://github.com/mrdbourke/pytorch-deep-learning/blob/main/slides/06_pytorch_transfer_learning.pdf) | | [07 - 里程碑项目 1：PyTorch 实验追踪](https://www.learnpytorch.io/07_pytorch_experiment_tracking/) | 我们已经构建了不少模型……要是能追踪它们各自的进展该多好？ | [前往练习与课外拓展](https://www.learnpytorch.io/07_pytorch_experiment_tracking/#exercises) | [前往幻灯片](https://github.com/mrdbourke/pytorch-deep-learning/blob/main/slides/07_pytorch_experiment_tracking.pdf) | | [08 - 里程碑项目 2：PyTorch 论文复现](https://www.learnpytorch.io/08_pytorch_paper_replicating/) | PyTorch 是机器学习研究领域最流行的深度学习框架；让我们通过复现一篇机器学习论文来一探究竟。 | [前往练习与课外拓展](https://www.learnpytorch.io/08_pytorch_paper_replicating/#exercises) | [前往幻灯片](https://github.com/mrdbourke/pytorch-deep-learning/blob/main/slides/08_pytorch_paper_replicating.pdf) | | [09 - 里程碑项目 3：模型部署](https://www.learnpytorch.io/09_pytorch_model_deployment/) | 我们已经有了一个可运行的 PyTorch 模型……如何把它交到他人手中？提示：部署到互联网上。 | [前往练习与课外拓展](https://www.learnpytorch.io/09_pytorch_model_deployment/#exercises) | [前往幻灯片](https://github.com/mrdbourke/pytorch-deep-learning/blob/main/slides/09_pytorch_model_deployment.pdf) | | [PyTorch 额外资源](https://www.learnpytorch.io/pytorch_extra_resources/) | 本课程涵盖大量 PyTorch 与深度学习内容，但机器学习领域十分广阔；此处收录了推荐书籍与资源，涵盖：PyTorch 与深度学习、ML 工程、NLP（自然语言处理）、时间序列数据、数据集获取途径等。 | - | - | | [PyTorch 速查表](https://www.learnpytorch.io/pytorch_cheatsheet/) | 快速概览 PyTorch 的部分主要特性，并提供课程内及 PyTorch 文档中更多资源的链接。 | - | - | | [PyTorch 2.0 快速教程](https://www.learnpytorch.io/pytorch_2_intro/) | 对 PyTorch 2.0 的超快快快快快入门介绍：有哪些新内容、如何开始，以及进一步学习的资源。 | - | - | ## 状态 所有材料均已完成，视频已在 Zero to Mastery 发布！ 请参阅项目页面上的进行中看板 - https://github.com/users/mrdbourke/projects/1 * **视频总数：** 321 * **已完成骨架代码：** 00、01、02、03、04、05、06、07、08、09 * **已完成注释（文本）：** 00、01、02、03、04、05、06、07、08、09 * **已完成配图：** 00、01、02、03、04、05、06、07、08、09 * **已完成主题演讲：** 00、01、02、03、04、05、06、07、08、09 * **已完成练习与解答：** 00、01、02、03、04、05、06、07、08、09 请参阅[日志](https://github.com/mrdbourke/pytorch-deep-learning#log) 获取几乎每日更新的内容。 ## 关于本课程 ### 本课程适合谁？ **你：** 是机器学习或深度学习领域的初学者，希望学习 PyTorch。 **本课程：** 以动手实践、代码优先的方式，教你 PyTorch 以及许多机器学习（machine learning）概念。 如果你已有 1 年以上机器学习经验，本课程仍可能有帮助，但它专为初学者友好而设计。 ### 先修要求是什么？ 1. 3–6 个月 Python 编程经验。 2. 至少一门机器学习入门课程（不过这一步或许可以跳过，文中为许多不同主题提供了资源链接）。 3. 有使用 Jupyter Notebooks 或 Google Colab 的经验（当然你也可以边学边掌握）。 4. 愿意学习（最重要）。 对于第 1 和第 2 点，我推荐 [Zero to Mastery Data Science and Machine Learning Bootcamp](https://dbourke.link/ZTMMLcourse), 它会教你机器学习和 Python 的基础知识（不过我有私心，我也教那门课）。 ### 课程如何讲授？ 所有课程材料均可免费在线阅读，见 [learnpytorch.io](https://learnpytorch.io). 如果你喜欢阅读，我建议你通读那里的资源。 如果你更喜欢通过视频学习，本课程也采用学徒式（apprenticeship-style）授课：我写 PyTorch 代码，你也写 PyTorch 代码。 课程座右铭里有两句很有道理：*如有疑问，就运行代码*（if in doubt, run the code），以及 *实验、实验、再实验！*（experiment, experiment, experiment!）。 我的全部目标就是帮你做好一件事：通过编写 PyTorch 代码来学习机器学习。 所有代码都通过 [Google Colab Notebooks](https://colab.research.google.com) 编写（你也可以使用 Jupyter Notebooks），这是一个用于实验机器学习的绝佳免费资源。 ### 完成课程后我能得到什么？ 如果你跟着视频学习，会有证书之类的东西。 但证书也就那样。 你可以把本课程看作一个机器学习动量（momentum）构建器。 到课程结束时，你将编写数百行 PyTorch 代码。 并接触到机器学习中许多最重要的概念。 因此，当你去构建自己的机器学习项目，或查看用 PyTorch 制作的公开机器学习项目时，你会觉得熟悉；即便不熟悉，至少你也知道该去哪里查找。 ### 课程里我会构建什么？ 我们从 PyTorch 和机器学习最基础的内容开始，因此即使你刚接触机器学习，也能快速跟上进度。 然后我们会探索更高级的领域，包括 PyTorch 神经网络分类、PyTorch 工作流、计算机视觉（computer vision）、自定义数据集、实验跟踪、模型部署，以及我个人最喜欢的：迁移学习（transfer learning）——一种强大技术，可把某个机器学习模型在另一问题上所学到的知识，应用到你自己的问题上！ 在此过程中，你将围绕一个名为 FoodVision 的总项目完成三个里程碑项目：FoodVision 是一个用于对食物图像进行分类的神经网络计算机视觉模型。 这些里程碑项目将帮助你练习使用 PyTorch 覆盖重要的机器学习概念，并打造一份可以向雇主展示的作品集，说“这就是我做过的东西”。 ### 如何开始？ 你可以在任何设备上阅读材料，但本课程最好在桌面浏览器中观看并跟着编码。 课程使用名为 Google Colab 的免费工具。如果你完全没有使用经验，建议先学习免费的 [Introduction to Google Colab tutorial](https://colab.research.google.com/notebooks/basic_features_overview.ipynb) 然后再回到这里。 开始步骤： 1. 点击上方某个 notebook 或章节链接，例如“[00. PyTorch Fundamentals](https://www.learnpytorch.io/00_pytorch_fundamentals/)”。 2. 点击顶部的“Open in Colab”按钮。 3. 按几次 SHIFT+Enter，看看会发生什么。 ### 我的问题没有得到解答 请留下一条 [discussion](https://github.com/mrdbourke/pytorch-deep-learning/discussions) 或直接给我发邮件：daniel (at) mrdbourke (dot) com。 ## 日志 几乎每天都会更新进展。 * 15 May 2023 - PyTorch 2.0 教程完成 + 视频已添加到 ZTM/Udemy，见代码：https://www.learnpytorch.io/pytorch_2_intro/ * 13 Apr 2023 - 更新 PyTorch 2.0 notebook * 30 Mar 2023 - 更新 PyTorch 2.0 notebook，补充更多信息/清理代码 * 23 Mar 2023 - 升级 PyTorch 2.0 教程，添加注释和图片 * 13 Mar 2023 - 为 PyTorch 2.0 教程添加入门代码 * 18 Nov 2022 - 添加 PyTorch 3 个最常见错误的参考 + 更多课程章节链接：https://www.learnpytorch.io/pytorch_most_common_errors/ * 9 Nov 2022 - 添加 PyTorch cheatsheet，快速概览 PyTorch 主要特性 + 课程章节链接：https://www.learnpytorch.io/pytorch_cheatsheet/ * 9 Nov 2022 - 完整课程材料（300+ 个视频）现已在 Udemy 上线！可在此注册：https://www.udemy.com/course/pytorch-for-deep-learning/?couponCode=ZTMGOODIES7（上线优惠码自本条起 3–4 天内有效） * 4 Nov 2022 - 在 `extras/` 中添加 PyTorch Cheatsheet 的 notebook（简要概览 PyTorch 许多最重要功能） * 2 Oct 2022 - 第 08 和 09 节的所有视频已发布（最后两节 100+ 个视频）！ * 30 Aug 2022 - 为 09 录制 15 个视频，视频总数：321，第 09 节视频完成！！！……甚至比 08 还大！！ * 29 Aug 2022 - 为 09 录制 16 个视频，视频总数：306 * 28 Aug 2022 - 为 09 录制 11 个视频，视频总数：290 * 27 Aug 2022 - 为 09 录制 16 个视频，视频总数：279 * 26 Aug 2022 - 为 notebook 09 做收尾，添加 09 的 slides，创建 09 的 solutions 和 exercises * 25 Aug 2022 - 为 09 添加注释并清理，移除 TK's，清理图片，制作 09 的 slides * 24 Aug 2022 - 为 09 添加注释，main takeaways、exercises 和 extra-curriculum 完成 * 23 Aug 2022 - 为 09 添加注释，添加大量图片/slides * 22 Aug 2022 - 为 09 添加注释，开始制作 slides/图片 * 20 Aug 2022 - 为 09 添加注释 * 19 Aug 2022 - 为 09 添加注释，看看这些很棒的 demos！ * 18 Aug 2022 - 为 09 添加注释 * 17 Aug 2022 - 为 09 添加注释 * 16 Aug 2022 - 为 09 添加注释 * 15 Aug 2022 - 为 09 添加注释 * 13 Aug 2022 - 为 09 添加注释 * 12 Aug 2022 - 将 notebook 09 的 demo 文件添加到 `demos/`，开始为 notebook 09 添加说明文字注释 * 11 Aug 2022 - 完成 notebook 09 的骨架代码，课程完成部署 2 个模型，一个用于 FoodVision Mini，另一个用于（secret） * 10 Aug 2022 - 添加 PyTorch Extra Resources 章节（学习更多 PyTorch/深度学习的去处）：https://www.learnpytorch.io/pytorch_extra_resources/ * 09 Aug 2022 - 为 notebook 09 添加更多骨架代码 * 08 Aug 2022 - 创建 09 的草稿 notebook，最终目标是部署 FoodVision Mini 模型并使其公开可访问 * 05 Aug 2022 - 为 08 录制 11 个视频，视频总数：263，第 08 节视频完成！……目前为止最大的一节 * 04 Aug 2022 - 为 08 录制 13 个视频，视频总数：252 * 03 Aug 2022 - 为 08 录制 3 个视频，视频总数：239 * 02 Aug 2022 - 为 08 录制 12 个视频，视频总数：236 * 30 July 2022 - 为 08 录制 11 个视频，视频总数：224 * 29 July 2022 - 为 08 添加 exercises + solutions，见 YouTube 上的 live walkthrough：https://youtu.be/tjpW_BY8y3g * 28 July 2022 - 为 08 添加 slides * 27 July 2022 - 清理 08 的大部分内容，开始制作 08 的 slides，接下来做 exercises 和 extra-curriculum * 26 July 2022 - 为 08 添加注释和图片 * 25 July 2022 - 为 08 添加注释 * 24 July 2022 - 在 YouTube 上以单个视频（25+ 小时！！！）发布课程前半部分（notebooks 00–04）：https://youtu.be/Z_ikDlimN6A * 21 July 2022 - 为 08 添加注释和图片 * 20 July 2022 - 为 08 添加注释和图片，越来越近了！这是史诗级的一节 * 19 July 2022 - 为 08 添加注释和图片 * 15 July 2022 - 为 08 添加注释和图片 * 14 July 2022 - 为 08 添加注释 * 12 July 2022 - 为 08 添加注释，woo woo 这是超大大的一节！ * 11 July 2022 - 为 08 添加注释 * 9 July 2022 - 为 08 添加注释 * 8 July 2022 - 为 08 添加大量注释 * 6 July 2022 - 课程在 ZTM Academy 上线，包含第 00–07 节的视频！🚀 - https://dbourke.link/ZTMPyTorch * 1 July 2022 - 为 08 添加注释和图片 * 30 June 2022 - 为 08 添加注释 * 28 June 2022 - 为第 07 节录制 11 个视频，视频总数 213，第 07 节所有视频完成！ * 27 June 2022 - 为第 07 节录制 11 个视频，视频总数 202 * 25 June 2022 - 为第 06 节重录 7 个视频以包含更新后的 API，视频总数 191 * 24 June 2022 - 为第 06 节重录 12 个视频以包含更新后的 API * 23 June 2022 - 完成 07 的注释，为 07 添加 exercise template 和 solutions + YouTube 上的 video walkthrough：https://youtu.be/cO_r2FYcAjU * 21 June 2022 - 使 08 可端到端运行，为 07 添加图片和注释 * 17 June 2022 - 修复 06、07 v2 以适配即将发布的 torchvision 版本升级，为 08 添加大量注释 * 13 June 2022 - 添加 notebook 08 第一版，开始复现 Vision Transformer 论文 * 10 June 2022 - 为 07 v2 添加注释 * 09 June 2022 - 为 `torchvision` v0.13 创建 07 v2（当 `torchvision=0.13` 发布后将替换 07 v1） * 08 June 2022 - 为 `torchvision` v0.13 适配 06 v2（当 `torchvision=0.13` 发布后将替换 06 v1） * 07 June 2022 - 为即将发布的 `torchvision` v0.13 更新创建 notebook 06 v2（新的 transfer learning 方法） * 04 June 2022 - 为 07 添加注释 * 03 June 2022 - 为 07 添加海量注释 * 31 May 2022 - 为 07 添加大量注释，使代码可端到端运行 * 30 May 2022 - 为 06 录制 4 个视频，完成第 06 节，进入第 07 节，视频总数 186 * 28 May 2022 - 为 06 录制 10 个视频，视频总数 182 * 24 May 2022 - 为 06 添加 solutions 和 exercises * 23 May 2022 - 完成 06 的注释和图片，该做 exercises 和 solutions 了 * 22 May 2202 - 为 06 添加大量图片 * 18 May 2022 - 为 06 添加大量注释 * 17 May 2022 - 为第 06 节添加大量注释 * 16 May 2022 - 为第 05 节录制 10 个视频，完成第 05 节视频 ✅ * 12 May 2022 - 为 05 添加 exercises 和 solutions * 11 May 2022 - 清理 05 的 part 1 和 part 2 notebooks，制作 05 的 slides，开始做 05 的 exercises 和 solutions * 10 May 2022 - 对 05 节进行海量更新，见网站，看起来很漂亮：https://www.learnpytorch.io/05_pytorch_going_modular/ * 09 May 2022 - 为 05 添加大量材料，清理文档 * 08 May 2022 - 为 05 添加大量材料 * 06 May 2022 - 继续制作 05 的材料 * 05 May 2022 - 用标题/大纲更新第 05 节 * 28 Apr 2022 - 为 04 录制 13 个视频，完成第 04 节视频，现在制作 05 的材料 * 27 Apr 2022 - 为 04 录制 3 个视频 * 26 Apr 2022 - 为 04 录制 10 个视频 * 25 Apr 2022 - 为 04 录制 11 个视频 * 24 Apr 2022 - 为 04 准备 slides * 23 Apr 2022 - 为 03 录制 6 个视频，完成第 03 节视频，现在进入 04 * 22 Apr 2022 - 为 03 录制 5 个视频 * 21 Apr 2022 - 为 03 录制 9 个视频 * 20 Apr 2022 - 为 03 录制 3 个视频 * 19 Apr 2022 - 为 03 录制 11 个视频 * 18 Apr 2022 - 完成 04 的 exercises/solutions，在 YouTube 上添加 04 exercises/solutions 的 live-coding walkthrough：https://youtu.be/vsFMF9wqWx0 * 16 Apr 2022 - 完成 03 的 exercises/solutions，在 YouTube 上添加 03 exercises/solutions 的 live-coding walkthrough：https://youtu.be/_PibmqpEyhA * 14 Apr 2022 - 为 04 添加最终图片/注释，开始制作 03 和 04 的 exercises/solutions * 13 Apr 2022 - 为 04 添加更多图片/注释 * 3 Apr 2022 - 为 04 添加更多注释 * 2 Apr 2022 - 为 04 添加更多注释 * 1 Apr 2022 - 为 04 添加更多注释 * 31 Mar 2022 - 为 04 添加更多注释 * 29 Mar 2022 - 为 04 添加更多注释 * 27 Mar 2022 - 开始为 04 添加注释 * 26 Mar 2022 - 为 04 制作 dataset * 25 Mar 2022 - 为 03 制作 slides * 24 Mar 2022 - 修复 03 在 docs 中无法运行的问题（终于） * 23 Mar 2022 - 为 03 添加更多图片 * 22 Mar 2022 - 为 03 添加图片 * 20 Mar 2022 - 为 03 添加更多注释 * 18 Mar 2022 - 为 03 添加更多注释 * 17 Mar 2022 - 为 03 添加更多注释 * 16 Mar 2022 - 为 03 添加更多注释 * 15 Mar 2022 - 为 03 添加更多注释 * 14 Mar 2022 - 开始为 notebook 03 添加注释，见进行中的工作：https://www.learnpytorch.io/03_pytorch_computer_vision/ * 12 Mar 2022 - 为 02 录制 12 个视频，完成第 02 节，现在制作 03、04、05 的材料 * 11 Mar 2022 - 为 02 录制 9 个视频 * 10 Mar 2022 - 为 02 录制 10 个视频 * 9 Mar 2022 - 清理 02 的 slides/code，准备录制 * 8 Mar 2022 - 为第 01 节录制 9 个视频，完成第 01 节，现在进入 02 * 7 Mar 2022 - 为第 01 节录制 4 个视频 * 6 Mar 2022 - 为第 01 节录制 4 个视频 * 4 Mar 2022 - 为第 01 节录制 10 个视频 * 20 Feb 2022 - 为第 00 节录制 8 个视频，完成该节，现在进入 01 * 18 Feb 2022 - 为第 00 节录制 13 个视频 * 17 Feb 2022 - 为第 00 节录制 11 个视频 * 16 Feb 2022 - 添加 setup guide * 12 Feb 2022 - 整理 README，添加课程材料表格，完成 01 的图片和 slides * 10 Feb 2022 - 完成 00 的 slides 和图片，notebook 已可发布：https://www.learnpytorch.io/00_pytorch_fundamentals/ * 01-07 Feb 2022 - 为 02 添加注释，已完成，仍需要图片，今天将做 exercises/solutions * 31 Jan 2022 - 开始为 02 添加注释 * 28 Jan 2022 - 为 01 添加 exercies 和 solutions * 26 Jan 2022 - 为 01 添加更多注释，明天应该能完成，之后也会做 exercises + solutions * 24 Jan 2022 - 为 01 添加大量注释 * 21 Jan 2022 - 开始为 01 添加注释 * 20 Jan 2022 - 完成 00 的注释（仍需添加图片），为 00 添加 exercises 和 solutions * 19 Jan 2022 - 为 00 添加更多注释 * 18 Jan 2022 - 为 00 添加更多注释 * 17 Jan 2022 - 假期回来，为 00 添加更多注释 * 10 Dec 2021 - 开始为 00 添加注释 * 9 Dec 2021 - 为课程创建网站（[learnpytorch.io](https://learnpytorch.io)) 随着开发推进，你会在那里看到更新发布 * 8 Dec 2021 - 清理 notebook 07，开始回头检查代码并添加注释 * 26 Nov 2021 - 完成 07 的骨架代码，添加了四个不同实验，需要清理并使其更直观 * 25 Nov 2021 - 清理 06 的代码，为 07 添加骨架代码（experiment tracking） * 24 Nov 2021 - 更新 04、05、06 notebooks 以便更易消化和学习，每节最多涵盖 3 个大概念，05 现在专门用于将 notebook 代码转为模块化代码 * 22 Nov 2021 - 更新 04 的 train 和 test 函数，使其更直观 * 19 Nov 2021 - 添加 05（transfer learning）notebook，更新 04 中的 custom data loading 代码 * 18 Nov 2021 - 更新 03 的 vision 代码，并在 04 中添加 custom dataset loading 代码 * 12 Nov 2021 - 为 notebook 04 添加大量 custom dataset loading 的骨架代码，下一步是用 custom data 建模 * 10 Nov 2021 - 为 04 研究 custom datasets 的最佳实践 * 9 Nov 2021 - 更新 03 骨架代码以完成 CNN model 构建，接下来进入 04 加载 custom datasets * 4 Nov 2021 - 为 03 添加 GPU 代码 + train/test loops + `helper_functions.py` * 3 Nov 2021 - 为 03 添加基础起步，计划本周末完成 * 29 Oct 2021 - 整理 02 的骨架代码，仍有一些需要清理/整理，创建了 03 * 28 Oct 2021 - 完成 02 的骨架代码，明天将清理/整理，下周做 03 * 27 Oct 2021 - 为 02 添加大量代码，计划明天/本周末完成 * 26 Oct 2021 - 用大纲/代码更新 00、01、02，00 和 01 的骨架代码完成，接下来是 02 * 23, 24 Oct 2021 - 用更多大纲/代码更新 00 和 01 notebooks * 20 Oct 2021 - 为 01 和 02 添加 v0 大纲，在 README 中添加课程粗略大纲，本课程将聚焦更少但更好的内容 * 19 Oct 2021 - 启动仓库 🔥，添加 fundamentals notebook 草稿 v0