新增了七个教程：

• PyTorch 中文官方教程 1.7

  • 学习 PyTorch

    • PyTorch 深度学习：60 分钟的突击

      • 张量
      • torch.autograd的简要介绍
      • 神经网络
      • 训练分类器

    • 通过示例学习 PyTorch

      • 热身：NumPy
      • PyTorch：张量
      • PyTorch：张量和 Autograd
      • PyTorch：定义新的 Autograd 函数
      • PyTorch：nn
      • PyTorch：optim
      • PyTorch：自定义nn模块
      • PyTorch：控制流 + 权重共享
    • torch.nn到底是什么？
    • 使用 TensorBoard 可视化模型，数据和训练

  • 图片/视频

    • torchvision对象检测微调教程
    • 计算机视觉的迁移学习教程
    • 对抗示例生成
    • DCGAN 教程

  • 音频

    • 音频 I/O 和torchaudio的预处理
    • 使用torchaudio的语音命令识别

  • 文本

    • 使用nn.Transformer和torchtext的序列到序列建模
    • 从零开始的 NLP：使用字符级 RNN 分类名称
    • 从零开始的 NLP：使用字符级 RNN 生成名称
    • 从零开始的 NLP：使用序列到序列网络和注意力的翻译
    • 使用torchtext的文本分类
    • torchtext语言翻译

  • 强化学习

    • 强化学习（DQN）教程
    • 训练玩马里奥的 RL 智能体

  • 在生产中部署 PyTorch 模型

    • 通过使用 Flask 的 REST API 在 Python 中部署 PyTorch
    • TorchScript 简介
    • 在 C++ 中加载 TorchScript 模型
    • 将模型从 PyTorch 导出到 ONNX 并使用 ONNX 运行时运行它（可选）

  • 前端 API

    • PyTorch 中的命名张量简介（原型）
    • PyTorch 中通道在最后的内存格式（beta）
    • 使用 PyTorch C++ 前端
    • 自定义 C++ 和 CUDA 扩展
    • 使用自定义 C++ 运算符扩展 TorchScript
    • 使用自定义 C++ 类扩展 TorchScript
    • TorchScript 中的动态并行性
    • C++ 前端中的 Autograd
    • 在 C++ 中注册调度运算符

  • 模型优化

    • 分析您的 PyTorch 模块
    • 使用 Ray Tune 的超参数调整
    • 模型剪裁教程
    • LSTM 单词语言模型上的动态量化（beta）
    • BERT 上的动态量化（Beta）
    • PyTorch 中使用 Eager 模式的静态量化（beta）
    • 计算机视觉的量化迁移学习教程（beta）

  • 并行和分布式训练

    • PyTorch 分布式概述
    • 单机模型并行最佳实践
    • 分布式数据并行入门
    • 用 PyTorch 编写分布式应用
    • 分布式 RPC 框架入门
    • 使用分布式 RPC 框架实现参数服务器
    • 使用 RPC 的分布式管道并行化
    • 使用异步执行实现批量 RPC 处理
    • 将分布式DataParallel与分布式 RPC 框架相结合

• PyTorch 人工智能研讨会

  • 零、前言
  • 一、深度学习和 PyTorch 简介
  • 二、神经网络的构建块
  • 三、使用 DNN 的分类问题
  • 四、卷积神经网络
  • 五、样式迁移
  • 六、使用 RNN 分析数据序列
  • 七、附录

• Python 一次学习实用指南

  • 零、前言

  • 第一部分：一次学习简介

    • 一、一次学习简介

  • 第二部分：深度学习架构

    • 二、基于指标的方法
    • 三、基于模型的方法
    • 四、基于优化的方法

  • 第三部分：其他方法和结论

    • 五、基于生成建模的方法
    • 六、总结和其他方法

• Python 自然语言处理实用指南

  • 零、前言

  • 第一部分：用于 NLP 的 PyTorch 1.x 的要点

    • 一、机器学习和深度学习的基础
    • 二、用于 NLP 的 PyTorch 1.x 入门

  • 第二部分：自然语言处理基础

    • 三、NLP 和文本嵌入
    • 四、文本预处理，词干提取和词形还原

  • 第三部分：使用 PyTorch 1.x 的实际 NLP 应用

    • 五、循环神经网络和情感分析
    • 六、用于文本分类的卷积神经网络
    • 七、使用序列到序列神经网络的文本翻译
    • 八、使用基于注意力的神经网络构建聊天机器人
    • 九、前方的路

• PyTorch 人工智能基础知识

  • 零、前言
  • 一、使用 PyTorch 使用张量
  • 二、与神经网络协作
  • 三、用于计算机视觉的卷积神经网络
  • 四、用于 NLP 的循环神经网络
  • 五、迁移学习和 TensorBoard
  • 六、探索生成对抗网络
  • 七、深度强化学习
  • 八、在 PyTorch 中生产 AI 模型

• PyTorch 深度学习实用指南

  • 零、前言
  • 一、深度学习演练和 PyTorch 简介
  • 二、简单的神经网络
  • 三、深度学习工作流程
  • 四、计算机视觉
  • 五、序列数据处理
  • 六、生成网络
  • 七、强化学习
  • 八、生产中的 PyTorch

• TensorFlow 强化学习

  • 零、前言
  • 一、深度学习–架构和框架
  • 二、使用 OpenAI Gym 训练强化学习智能体
  • 三、马尔可夫决策过程
  • 四、策略梯度
  • 五、Q 学习和深度 Q 网络
  • 六、异步方法
  • 七、一切都是机器人-真正的战略游戏
  • 八、AlphaGo –最好的强化学习
  • 九、自动驾驶中的强化学习
  • 十、金融投资组合管理
  • 十一、机器人技术中的强化学习
  • 十二、广告技术中的深度强化学习
  • 十三、图像处理中的强化学习
  • 十四、NLP 中的深度强化学习
  • 十五、强化学习的其他主题

下载

Docker

docker pull apachecn0/apachecn-dl-zh
docker run -tid -p <port>:80 apachecn0/apachecn-dl-zh
# 访问 http://localhost:{port} 

PYPI

pip install apachecn-dl-zh
apachecn-dl-zh <port>
# 访问 http://localhost:{port} 

NPM

npm install -g apachecn-dl-zh
apachecn-dl-zh <port>
# 访问 http://localhost:{port} 

贡献指南

本项目需要校对，欢迎大家提交 Pull Request。

请您勇敢地去翻译和改进翻译。虽然我们追求卓越，但我们并不要求您做到十全十美，因此请不要担心因为翻译上犯错——在大部分情况下，我们的服务器已经记录所有的翻译，因此您不必担心会因为您的失误遭到无法挽回的破坏。（改编自维基百科）