How to eat Pytorch in 20 days ?🔥🔥

一， Pytorch🔥 or TensorFlow2 🍎

先说结论:

如果是工程师，应该优先选TensorFlow2.

如果是学生或者研究人员，应该优先选择Pytorch.

如果时间足够，最好TensorFlow2和Pytorch都要学习掌握。

理由如下：

1，在工业界最重要的是模型落地，目前国内的大部分互联网企业只支持TensorFlow模型的在线部署，不支持Pytorch。 并且工业界更加注重的是模型的高可用性，许多时候使用的都是成熟的模型架构，调试需求并不大。
2，研究人员最重要的是快速迭代发表文章，需要尝试一些较新的模型架构。而Pytorch在易用性上相比TensorFlow2有一些优势，更加方便调试。 并且在2019年以来在学术界占领了大半壁江山，能够找到的相应最新研究成果更多。
3，TensorFlow2和Pytorch实际上整体风格已经非常相似了，学会了其中一个，学习另外一个将比较容易。两种框架都掌握的话，能够参考的开源模型案例更多，并且可以方便地在两种框架之间切换。

本书的TensorFlow镜像教程：

🍊《30天吃掉那只TensorFlow2》：https://github.com/lyhue1991/eat_tensorflow2_in_30_days

二，本书📖面向读者 👼

本书假定读者有一定的机器学习和深度学习基础，使用过Keras或TensorFlow或Pytorch搭建训练过简单的模型。

对于没有任何机器学习和深度学习基础的同学，建议在学习本书时同步参考阅读《Python深度学习》一书的第一部分"深度学习基础"内容。

《Python深度学习》这本书是Keras之父Francois Chollet所著，该书假定读者无任何机器学习知识，以Keras为工具，

使用丰富的范例示范深度学习的最佳实践，该书通俗易懂，全书没有一个数学公式，注重培养读者的深度学习直觉。。

《Python深度学习》一书的第一部分的4个章节内容如下，预计读者可以在20小时之内学完。

1，什么是深度学习
2，神经网络的数学基础
3，神经网络入门
4，机器学习基础

三，本书写作风格 🍉

本书是一本对人类用户极其友善的Pytorch入门工具书，Don't let me think是本书的最高追求。

本书主要是在参考Pytorch官方文档和函数doc文档基础上整理写成的。

尽管Pytorch官方文档已经相当简明清晰，但本书在篇章结构和范例选取上做了大量的优化，在用户友好度方面更胜一筹。

本书按照内容难易程度、读者检索习惯和Pytorch自身的层次结构设计内容，循序渐进，层次清晰，方便按照功能查找相应范例。

本书在范例设计上尽可能简约化和结构化，增强范例易读性和通用性，大部分代码片段在实践中可即取即用。

如果说通过学习Pytorch官方文档掌握Pytorch的难度大概是5，那么通过本书学习掌握Pytorch的难度应该大概是2.

仅以下图对比Pytorch官方文档与本书《20天吃掉那只Pytorch》的差异。

四，本书学习方案 ⏰

1，学习计划

本书是作者利用工作之余大概3个月写成的，大部分读者应该在20天可以完全学会。

预计每天花费的学习时间在30分钟到2个小时之间。

当然，本书也非常适合作为Pytorch的工具手册在工程落地时作为范例库参考。

点击学习内容蓝色标题即可进入该章节。

日期	学习内容	内容难度	预计学习时间	更新状态
	一、Pytorch的建模流程	⭐️	0hour	✅
day1	1-1,结构化数据建模流程范例	⭐️⭐️⭐️	1hour	✅
day2	1-2,图片数据建模流程范例	⭐️⭐️⭐️⭐️	2hour	✅
day3	1-3,文本数据建模流程范例	⭐️⭐️⭐️⭐️⭐️	2hour	✅
day4	1-4,时间序列数据建模流程范例	⭐️⭐️⭐️⭐️⭐️	2hour	✅
	二、Pytorch的核心概念	⭐️	0hour	✅
day5	2-1,张量数据结构	⭐️⭐️⭐️⭐️	1hour	✅
day6	2-2,自动微分机制	⭐️⭐️⭐️	1hour	✅
day7	2-3,动态计算图	⭐️⭐️⭐️⭐️⭐️	2hour	✅
	三、Pytorch的层次结构	⭐️	0hour	✅
day8	3-1,低阶API示范	⭐️⭐️⭐️⭐️	1hour	✅
day9	3-2,中阶API示范	⭐️⭐️⭐️	1hour	✅
day10	3-3,高阶API示范	⭐️⭐️⭐️	1hour	✅
	四、Pytorch的低阶API	⭐️	0hour	✅
day11	4-1,张量的结构操作	⭐️⭐️⭐️⭐️⭐️	2hour	✅
day12	4-2,张量的数学运算	⭐️⭐️⭐️⭐️	1hour	✅
day13	4-3,nn.functional和nn.Module	⭐️⭐️⭐️⭐️	1hour	✅
	五、Pytorch的中阶API	⭐️	0hour	✅
day14	5-1,Dataset和DataLoader	⭐️⭐️⭐️⭐️⭐️	2hour	✅
day15	5-2,模型层	⭐️⭐️⭐️	1hour	✅
day16	5-3,损失函数	⭐️⭐️⭐️	1hour	✅
day17	5-4,TensorBoard可视化	⭐️⭐️⭐️	1hour	✅
	六、Pytorch的高阶API	⭐️	0hour	✅
day18	6-1,构建模型的3种方法	⭐️⭐️⭐️⭐️	1hour	✅
day19	6-2,训练模型的3种方法	⭐️⭐️⭐️⭐️	1hour	✅
day20	6-3,使用GPU训练模型	⭐️⭐️⭐️⭐️	1hour	✅

2，学习环境

本书全部源码在jupyter中编写测试通过，建议通过git克隆到本地，并在jupyter中交互式运行学习。

为了直接能够在jupyter中打开markdown文件，建议安装jupytext，将markdown转换成ipynb文件。

#克隆本书源码到本地,使用码云镜像仓库国内下载速度更快
#!git clone https://gitee.com/Python_Ai_Road/eat_pytorch_in_20_days

#建议在jupyter notebook 上安装jupytext，以便能够将本书各章节markdown文件视作ipynb文件运行
#!pip install -i https://pypi.tuna.tsinghua.edu.cn/simple -U jupytext
    
#建议在jupyter notebook 上安装最新版本pytorch 测试本书中的代码
#!pip install -i https://pypi.tuna.tsinghua.edu.cn/simple  -U torch torchvision torchtext torchkeras

import torch 
from torch import nn

print("torch version:", torch.__version__)

a = torch.tensor([[2,1]])
b = torch.tensor([[-1,2]])
c = a@b.t()
print("[[2,1]]@[[-1],[2]] =", c.item())

torch version: 1.5.0
[[2,1]]@[[-1],[2]] = 0

五，鼓励和联系作者 🎈🎈

如果本书对你有所帮助，想鼓励一下作者，记得给本项目加一颗星星star⭐️，并分享给你的朋友们喔😊!

如果对本书内容理解上有需要进一步和作者交流的地方，欢迎在公众号"Python与算法之美"下留言。作者时间和精力有限，会酌情予以回复。

也可以在公众号后台回复关键字：加群，加入读者交流群和大家讨论。