欢迎！

欢迎来到本章节！在这节课，你将学习如何使用 PyTorch 构建深度学习模型。PyTorch 于 2017 年初推出，给深度学习社区带来了深远的影响。它是由 Facebook AI 研发团队开发的，已经被各行各业和各个学术领域采用。根据我个人的经验，它是训练神经网络的最佳框架，并且使用起来很方便。本课的目标是训练一个能对猫狗图像进行分类的深度学习模型。

首先，我将简单介绍下 PyTorch，特别是张量，它是 PyTorch 的主要数据结构。我将演示如何创建张量、如何完成简单的运算，以及张量如何与 Numpy 交互。

然后，你将学习模块 Autograd，PyTorch 会使用该模块计算在训练神经网络过程中用到的梯度。Autograd 非常强大。你可以用它完成整个反向传播工作：计算网络中每个运算的梯度，然后使用这些梯度更新网络权重。

接着，你将使用 PyTorch 构建网络并使数据前向经过网络。然后，你将定义损失和优化方法，并用手写数字数据集训练神经网络。你还将学习通过验证步骤测试网络的泛化能力。

然而，一个潜在问题是网络在处理复杂图像方面的效果不太好。所以我们会接着学习如何使用预训练的网络改善分类器的效果，这种技巧称为迁移学习。

请跟着视频操作并完成 notebook 中的练习。如果遇到问题，视频和 notebook里会提供一些解决方案。

获取 notebook

我们将在课堂里提供这节课的 notebook，但是如果你希望在本地操作，请按照以下说明设置环境并准备学习课程！

这节课的所有 notebook 都可以在 GitHub 上的深度学习代码库中找到。请通过在终端里输入以下命令：

git clone https://github.com/udacity/deep-learning-v2-pytorch.git

克隆代码库。然后在代码库里转到 intro-to-pytorch 目录。

请在 notebook 中跟着操作并完成练习。我还会在视频里和标记为 (Solution) 的 notebook 中提供解决方案。

运行环境

这些 notebook 需要 PyTorch v0.4 或更高版本以及 torchvision。要在本地安装 PyTorch 和 torchvision，最简单的方法是按照 PyTorch 官网上的说明操作。根据你的操作系统和 Python 选择合适的版本以及安装方式。你还需要安装 numpy 和 jupyter notebook，安装最新版本应该就可以了。我们推荐使用conda 软件包管理器。

conda install numpy jupyter notebook

如果你尚未使用过 conda，请阅读此文档，了解如何创建环境并安装软件包。我建议安装 Miniconda，而不是整个 Anaconda 发行版。普通的软件包管理器 pip 也可以。你可以自行选择。

本系列课程的最后一部分要求用 GPU 加速网络计算过程，这不是硬性要求。即使没有 GPU，你依然能运行代码并完成练习。PyTorch 使用CUDA 在 GPU 上加速运算过程。如果你有 CUDA 支持的 GPU，你在使用 conda 安装 PyTorch 时，就能够安装所有必要的库。如果你无法使用本地 GPU，可以考虑使用云端平台在 GPU 上训练网络，例如 AWS、GCP 和 FloydHub。

纳米学位课程还在课堂里提供了 GPU workspace 以及 AWS 积分。

反馈

如果你在使用 notebook 时遇到问题，请联系支持团队或在代码库中提交问题。我们将根据你的反馈改进课程。