2018Tangramor PyTorch官方教程中文版 页：1 PyTorch官方教程中文版 教程介绍 PyTorch是一个基于Torch的Python开源机器学习库，用于自然语言处理等应用程序.
它主要由 Facebookd的人工智能小组开发，不仅能够实现强大的GPU加速，同时还支持动态神经网络，这 一点是现在很多主流框架如TensorFlow都不支持的.
PyTorch提供了两个高级功能：1.具有强大 Twitter、GMU和Salesforce等机构都采用了PyTorch.
官方教程包含了PyTorch介绍，安装教程；60分钟快速入门教程，可以迅速从小白阶段完成一个 分类器模型；计算机视觉常用模型，方便基于自己的数据进行调整，不再需要从头开始写；自然 语言处理模型，聊天机器人，文本生成等生动有趣的项目.
总而言之： 如果你想了解一下PyTorch，可以看介绍部分.
如果你想快速入门PyTorch，可以看60分钟快速入门.
如果你想解决计算机视觉问题，可以看计算机视觉部分.
如果你想解决自然语言处理问题，可以看NLP部分.
作者： 磐创 News and PytorchChina PyTorch教程目录 PyTorch之简介与下载 PyTorch简介 PyTorch环境搭建
2018Tangramor PyTorch之60min入门教程 页：2 PyTorch之60min入门教程 PyTorch 入门 PyTorch自动微分 PyTorch神经网络 PyTorch图像分类器 PyTorch数据并行处理 PyTorch之入门强化教程 数据加载和处理 PyTorch 小试牛刀 迁移学习 混合前端的seq2seq模型部署 混合前端 预备环境 保存和加载模型 PyTorch之图像篇 微调基于torchvision0.3的目标检测模型 微调TorchVision模型 空间变换器网络 使用PyTorch进行Neural-Transfer 生成对抗示例 使用ONNX将模型转移至Caffe2和移动端
2018Tangramor PyTorch之文本篇 页：3 PyTorch之文本篇 聊天机器人教程 使用字符级RNN生成名字 使用字符级RNN进行名字分类 在深度学习和NLP中使用Pytorch 使用Sequence2Sequence网络和注意力进行翻译 PyTorch之生成对抗网络 生成对抗网络 PyTorch之强化学习 强化学习 生产环境部署PyTorch模型 使用Flask来部署PyTorch模型 TorchScript的简介 在C中加载TorchScript模型 PyTorch123配套录制视频教程 网易云课堂，第一节数据处理与加载免费观看 study.163./course/introduction/1209674804.htm 另外，提供官方教程的一个精简版配套学习资料，书名《DeepLeamingwithPyTorch》.
下载地址：pytorchchina./2019/12/02/deep-learning-with-pytorch-pdf/
2018Tangramor PyTorch快速访问地址 页：4 PyTorch快速访问地址 镜像网站，快速访问 PyTorch群 PytorchChina GitHub github./fendouai/PyTorchDocs 磐创AI 在后台回复tensorflow keras pytorch可以获得更多电子书.
2018 Tangramor PyTorch简介 页：1 PyTorch简介 要介绍PyTorch之前，不得不说一下Torch.
Torch是一个有大量机器学习算法支持的科学计算框 架，是一个与Numpy类似的张量（Tensor）操作库，其特点是特别灵活，但因其采用了小众的编 程语言是Lua，所以流行度不高，这也就有了PyTorch的出现.
所以其实Torch是PyTorch的前身， 它们的底层语言相同，只是使用了不同的上层包装语言.
PYTORCH PyTorch是一个基于Torch的Python开源机器学习库，用于自然语言处理等应用程序.
它主要由 Facebookd的人工智能小组开发，不仅能够实现强大的GPU加速，同时还支持动态神经网络，这 一点是现在很多主流框架如TensorFlow都不支持的.
PyTorch提供了两个高级功能：*具有强大 除了Facebook之外，Twitter、GMU和Salesforce等机构都采用了PyTorch.
TensorFlow和Caffe都是命合式的编程语言，而且是静态的，首先必须构建一个神经网络，然后一 次又一次使用相同的结构，如果想要改变网络的结构，就必须从头开始.
但是对于PyTorch，通过 反向求导技术，可以让你雾延迟地任意改变神经网络的行为，而且其实现速度快.
正是这一灵活 性是PyTorch对比TensorFlow的最大优势.
另外，PyTorch的代码对比TensorFlow而言，更加简洁直观，底层代码也更容易看懂，这对于使用 它的人来说理解底层肯定是一件合人激动的事.
所以，总结一下PyTorch的优点：*支持GPU*灵活，支持动态神经网络*底层代码易于理解*命 合式体验*自定义扩展 当然，现今任何一个深度学习框架都有其缺点，PyTorch也不例外，对比TensorFlow，其全面性处 于劣势，目前PyTorch还不支持快速傅里叶、沿维翻转张量和检查无穷与非数值张量；针对移动 端、嵌入式部署以及高性能服务器端的部署其性能表现有待提升；其次因为这个框架较新，使得 他的社区没有那么强大，在文档方面其C库大多数没有文档.
