访问官网
Github
文档PyTorch 实用教程（第二版）介绍
《PyTorch实用教程》（第二版）是一部经过五年时间研发，并用四年时间编写而成的著作。该书不仅传承了第一版的精华，还新加入了丰富的深度学习应用案例以及推理部署框架。这使得本书能够系统性地涵盖深度学习工程师需要掌握的知识。随着人工智能技术的不断发展，这本书并不是终点，而是迈向新的技术领域的起点，作者希望能够和读者们共同在人工智能领域里继续学习和进步。
在线资源
- 在线阅读（开源免费）：《PyTorch实用教程》（第二版）
- 配套代码（开源免费）：《PyTorch实用教程》（第二版）
项目已被HelloGitHub社区收录，并加入了HelloGitHub徽章计划。
本书内容
全书以基础概念为起点，覆盖计算机视觉、自然语言处理以及大语言模型的核心内容，并通过推理部署框架为桥梁，帮助读者以理论结合实践的方式掌握项目的落地技能。全书分为三个部分：上篇-入门篇、中篇-应用篇、下篇-落地篇。
上篇：PyTorch 基础
本部分为刚入门的读者准备，特别适合非科班或者本科生。它介绍了PyTorch，并详细讲解了开发环境的搭建、核心模块如数据、模型、优化和可视化模块的使用。通过这些模块的学习，读者能够构建自己的代码结构，为后续的深度学习应用奠定基础。
中篇：产业应用
这一部分是应用篇，讲解如何在多个领域中应用PyTorch。具体内容包括：
-
计算机视觉（CV）：覆盖八大任务，包括图像分类、图像分割、目标检测、目标跟踪、GAN生成、Diffusion生成、图像描述和图像检索等。
-
自然语言处理（NLP）：涉及RNN、LSTM、Transformer、BERT和GPT模型的详解与应用，任务包括文本分类、机器翻译、命名体识别、QA问答和文章生成等。
-
大语言模型（LLM）：探讨四个LLM的部署与代码分析，并展示GPT Academic应用。LLM包括Qwen、ChatGLM、Baichuan和Yi等国内开源的四大主流模型。
下篇：工业落地
在完成工具和场景的学习后，下篇着重介绍如何将其转化为可用的算法服务。这部分内容讲解了如何从PyTorch训练框架中分离出模型进行部署、加速与量化。详细解析了ONNX和TensorRT的原理和使用，包括PTQ和QAT量化的实战与概念。
通过上下篇的学习，读者可以快速掌握PyTorch的各种知识和技能，具备独立处理深度学习项目的能力。
本书亮点
-
结构清晰：整本书通过三个部分逐步引导读者深入学习。
-
理论实践结合：在提供理论知识的同时，通过丰富的项目案例帮助读者实践。
-
实战案例丰富：覆盖计算机视觉、自然语言处理和大语言模型多个领域。
-
系统性覆盖：从基础知识到应用，再到模型部署，全方位讲解。
-
适用人群广泛：适合AI自学者、AI产品经理、在校学生以及跨领域人士阅读。
读者交流
为了让读者有更好的交流平台，建立了QQ交流群，群内会分享最新的技术文章和项目实战机会。具体群信息请前往书籍相关链接查看。
开源协议
本书采用知识共享署名-非商业性使用 4.0 国际许可协议进行许可，鼓励非商业性使用和分享。
