PyTorch 基金会 / Meta 及社区贡献者 · PyTorch 社区贡献者
PyTorch 官方开源仓库（pytorch/pytorch）
能安装并使用 PyTorch 完成张量运算与基于 tape 自动求导的神经网络训练，并能从仓库源码、构建说明与文档目录中自行查阅和扩展 PyTorch。
PyTo
- 难度
- 见前置条件
- 形式
- 开源项目
- 语言
- en
- 规模
- 1 个课节
- 内容费用
- 免费
- 动手
- 需要动手环境
使用限制
材料（README、源码及各代码目录）无需登录即可在浏览器阅读；实际动手练习需要本地或在线 Python 环境，GPU 为可选。
- 补充内容
- NVIDIA CUDA / AMD ROCm / Intel GPU 支持环境，用于 GPU 加速练习；仅 CPU 也能完成基础练习Docker，仅在希望使用官方镜像替代本地安装时需要
学完你能
- 按 README 的 Installation 说明安装 PyTorch（二进制包或源码构建），并验证环境可用
- 用 torch.Tensor 完成切片、索引、线性代数与归约等张量运算
- 理解并用 torch.autograd 的反向自动求导（tape 式）计算梯度
- 用 torch.nn 搭建并训练一个深度神经网络
- 用 torch.utils.data 的 DataLoader 构建数据加载流程
- 能按官方说明从源码构建或使用 Docker 镜像搭建开发环境
适合你吗
适合
适合想直接上手 PyTorch、或需要阅读/参与其源码的深度学习学习者；安装与组件说明以官方 README 为准，仓库 docs 等目录为文档/源码目录，内容需自行查阅。
暂不适合
不适合只想按课节系统学深度学习理论的初学者；本仓库是代码库与安装说明，非按课时组织的教程。
需要先会
需要 Python 基础，熟悉 NumPy 式数组运算更佳；了解神经网络基本原理有助于理解 autograd 与 nn 模块。
课程特点
- 内容侧重
- 按内容目录判断
- 练习与项目
- 先以 CPU 完成张量、autograd 与小型网络练习；如需体验 GPU 加速，再按 README 的 CUDA/ROCm/Intel GPU 章节配置对应环境。
- 学习时长
- 1 个课节原站未给出统一学习时长；实际用时取决于已有基础。
- 内容费用
- 免费仓库代码与 README 在 GitHub 上公开可读，网页未提及收费项。
内容覆盖
- More About PyTorch（GPU 就绪的张量库、动态神经网络与 tape 式自动求导、Python First、命令式体验）
- Installation（二进制包、NVIDIA Jetson 平台、源码构建、CUDA/ROCm/Intel GPU 支持、依赖与构建选项、Docker 镜像、历史版本）
- Getting Started
- Resources
来源与使用须知
版权与转载
- 课程材料未标明许可：仅供个人学习，转载、修改或商用前请先联系原作者。
- 本站只提供原始链接和学习指南，不转载、不镜像课程材料；引用时请注明原作者与出处。