带你少走弯路：强烈推荐的Pytorch快速入门资料和翻译（可下载）

上次写了TensorFlow的快速入门资料，受到很多好评，读者强烈建议我出一个pytorch的快速入门路线，经过翻译和搜索网上资源，我推荐3份入门资料，希望对大家有所帮助。
备注：TensorFlow的快速入门资料
很负责任地说：看完这些资料，Pytorch基本入门了，接下来碰到问题能自己查资料解决了！（本文作者：黄海广）

推荐资料

1.PyTorch 深度学习:60分钟快速入门（官网翻译）

“PyTorch 深度学习:60分钟快速入门”为PyTorch官网教程，网上已经有部分翻译作品，随着PyTorch1.0版本的公布，这个教程有较大的代码改动，本人对教程进行重新翻译，并测试运行了官方代码，制作成Jupyter Notebook文件（中文注释）在github予以公布。

本文内容较多，可以在线学习，如果需要本地调试，请到github下载：
https://github.com/fengdu78/Dat
作者:Soumith Chintala

本教程的目标：

在高层次上理解PyTorch的张量(Tensor)库和神经网络
训练一个小型神经网络对图像进行分类
本教程假设您对numpy有基本的了解
注意：务必确认您已经安装了 torch 和 torchvision 两个包。
目录
一、Pytorch是什么？
二、AUTOGRAD
三、神经网络
四、训练一个分类器
五、数据并行
目录

2.PyTorch 中文手册（pytorch handbook）（github标星7900+）

资源地址：
https://github.com/zergtant/pyt
这是一本开源的书籍，目标是帮助那些希望和使用PyTorch进行深度学习开发和研究的朋友快速入门。我试了一下里面的ipynb代码，非常全面，值得推荐。

资源目录：

第一章 ：PyTorch入门

第一节 PyTorch 简介

第二节 PyTorch 环境搭建

第三节 PyTorch 深度学习：60分钟快速入门（官方）

张量

Autograd：自动求导

神经网络

训练一个分类器

选读：数据并行处理（多GPU）

4.相关资源介绍

第二章 ： 基础

第一节 PyTorch 基础

张量自动求导神经网络包nn和优化器optm数据的加载和预处理

第二节 深度学习基础及数学原理

深度学习基础及数学原理

第三节 神经网络简介

神经网络简介

第四节 卷积神经网络

卷积神经网络

第五节 循环神经网络

循环神经网络

第三章 ： 实践

第一节 logistic回归

logistic回归二元分类

第二节 CNN:MNIST数据集手写数字识别

CNN:MNIST数据集手写数字识别

第三节 RNN实例：通过Sin预测Cos

RNN实例：通过Sin预测Cos

第四章 ： 提高

第一节 Fine-tuning

Fine-tuning

第二节 可视化

visdomtensorboardx可视化理解卷积神经网络

第三节 Fast.ai

Fast.ai

第五节 多GPU并行训练

多GPU并行计算

第五章 ： 应用

第一节 Kaggle介绍

Kaggle介绍

第二节 结构化数据

第三节 计算机视觉

第四节 自然语言处理
3.Pytorch教程（github标星13600+）
资源地址：
https://github.com/yunjey/pytor

资源介绍：

这个资源为深度学习研究人员提供了学习PyTorch的教程代码大多数模型都使用少于30行代码实现。在开始本教程之前，建议先看完Pytorch官方教程。（大部分教程是PyTorch0.4实现的，代码与1.0+稍微有点不同，总体影响不大）

配置环境：

python 2.7或者3.5以上，pytorch 0.4

资源目录：

1.基础知识

PyTorch基础知识
线性回归
Logistic回归
前馈神经网络
2.中级

卷积神经网络
深度残差网络
递归神经网络
双向递归神经网络
语言模型（RNN-LM）
3.高级

生成性对抗网络
变分自动编码器
神经风格转移
图像字幕（CNN-RNN）
4.工具

PyTorch中的TensorBoard
暂时想到这么多，欢迎留言补充。