什么是 PyTorch，我为什么要学习它？

PyTorch 是一个用 Python 编写的机器学习和深度学习框架。

PyTorch 使您能够制作和使用现有的最新深度学习算法，例如神经网络，这些算法为当今的大部分人工智能 （AI） 应用程序提供支持。

再加上现在天气很热，所以有很多工作机会！

PyTorch 被以下公司使用：

• 特斯拉为其自动驾驶汽车构建计算机视觉系统
• Meta 为其内容时间线的策展和理解系统提供支持
• 苹果创建计算增强的摄影。

想知道什么更酷吗？

许多最新的机器学习研究都是使用 PyTorch 代码完成和发布的，因此了解它的工作原理意味着您将处于这个需求量很大的领域的最前沿。

您将在良好的公司中学习 PyTorch。

Zero To Mastery 的毕业生现在在谷歌、特斯拉、亚马逊、苹果、IBM、优步、Meta、Shopify + 等处于机器学习和深度学习前沿的顶级科技公司工作。

 这可以是你。

通过今天注册，您还可以加入我们独家的实时在线社区课堂，与成千上万的学生、校友、导师、助教和讲师一起学习。

最重要的是，您将从具有实际经验的专业机器学习工程师那里学习 PyTorch，并且是周围最好的老师之一！

这门 PyTorch 课程会是什么样子？

这门 PyTorch 课程非常注重实践和基于项目。你不会只是盯着你的屏幕。我们将把它留给其他 PyTorch 教程和课程。

在本课程中，您实际上将：

•  运行实验
• 完成练习以测试您的技能
• 构建真实世界的深度学习模型和项目以模拟现实生活场景

到最后，您将拥有识别和开发大型科技公司遇到的现代深度学习解决方案所需的技能。

⚠ 公平警告：这门课程非常全面。但不要被吓倒，丹尼尔会从头开始一步一步教你一切！

以下是您将在此 PyTorch 课程中学到的内容：

1. PyTorch 基础知识 — 我们从准系统基础知识开始，因此即使您是初学者，您也能快速上手。

在机器学习中，数据被表示为张量（数字的集合）。学习如何使用 PyTorch 制作张量对于构建机器学习算法至关重要。在 PyTorch Fundamentals 中，我们深入介绍了 PyTorch 张量数据类型。

2. PyTorch 工作流 — 好的，您已经了解了基础知识，并且已经制作了一些张量来表示数据，但现在该怎么办？

使用 PyTorch Workflow，您将学习从数据 – >张量 – >训练的神经网络模型的步骤。无论在何处遇到 PyTorch 代码，您都将看到并使用这些步骤，以及课程的其余部分。

3. PyTorch 神经网络分类 — 分类是最常见的机器学习问题之一。

• 某事是一回事还是另一回事？
• 电子邮件是垃圾邮件还是不是垃圾邮件？
• 信用卡交易是欺诈还是不是欺诈？

借助 PyTorch 神经网络分类，您将学习如何使用 PyTorch 编写神经网络分类模型，以便对事物进行分类并回答这些问题。

4. PyTorch 计算机视觉 — 神经网络永远改变了计算机视觉的游戏规则。现在，PyTorch 推动了计算机视觉算法的许多最新进展。

例如，特斯拉使用 PyTorch 为其自动驾驶软件构建计算机视觉算法。

使用 PyTorch 计算机视觉，您将构建一个 PyTorch 神经网络，该神经网络能够查看图像中的模式并将其分类为不同的类别。

5. PyTorch 自定义数据集 — 机器学习的魔力在于构建算法以在您自己的自定义数据中找到模式。市面上有很多现有的数据集，但是如何将自己的自定义数据集加载到 PyTorch 中呢？

这正是您将在本课程的 PyTorch 自定义数据集部分中学到的内容。

您将学习如何为 FoodVision Mini 加载图像数据集：一种 PyTorch 计算机视觉模型，能够对披萨、牛排和寿司的图像进行分类（我让你渴望学习吗？！

我们将在课程的其余部分建立在FoodVision Mini的基础上。

6. PyTorch 走向模块化 — PyTorch 的全部意义在于能够编写 Pythonic 机器学习代码。

使用 Python 编写机器学习代码的主要工具有两种：

1. Jupyter/Google Colab 笔记本（非常适合实验）
2. Python 脚本（非常适合可重复性和模块化）

在本课程的 PyTorch Going Modular 部分，您将学习如何获取最有用的 Jupyter/Google Colab Notebook 代码并将其转换为可重用的 Python 脚本。这通常是你找到在野外共享的 PyTorch 代码的方式。

7. PyTorch 迁移学习——如果你能利用一个模型学到的东西，并利用它来解决你自己的问题，那会怎样？这就是 PyTorch 迁移学习所涵盖的内容。

您将了解迁移学习的强大功能，以及它如何使您能够采用在数百万张图像上训练的机器学习模型，对其进行轻微修改，并提高 FoodVision Mini 的性能，从而节省您的时间和资源。

8. PyTorch 实验跟踪 — 现在我们将通过开始课程里程碑项目的第 1 部分来开始加热烹饪！

此时，您将构建了大量的 PyTorch 模型。但是，您如何跟踪哪个模型表现最好呢？

这就是 PyTorch 实验跟踪的用武之地。

遵循机器学习从业者的座右铭：实验，实验，实验！您将设置一个系统来跟踪各种 FoodVision Mini 实验结果，然后进行比较以找到最佳结果。

9. PyTorch Paper Replicating — 机器学习领域发展迅速。每天都有新的研究论文发表。能够阅读和理解这些论文需要时间和练习。

这就是 PyTorch Paper Replicating 所涵盖的内容。您将学习如何阅读机器学习研究论文并使用 PyTorch 代码进行复制。

此时，您还将进行我们里程碑项目的第 2 部分，在那里您将复制开创性的 Vision Transformer 架构！

10. PyTorch 模型部署 — 到此阶段，您的 FoodVision 模型将表现得相当不错。但到目前为止，您是唯一可以访问它的人。

如何将 PyTorch 模型交到他人手中？

这就是 PyTorch 模型部署所涵盖的内容。在里程碑项目的第 3 部分中，您将学习如何获取性能最佳的 FoodVision Mini 模型并将其部署到网络上，以便其他人可以访问它并使用他们自己的食物图像进行尝试。