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/Data-Science-Notes/tree/master/8.deep-learning/PyTorch_beginner
此教程为翻译官方地址：
https://pytorch.org/tutorials/beginner/deep_learning_60min_blitz.html
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
图：翻译截图
2.PyTorch 中文手册（pytorch handbook）（github标星7900+）
资源地址：
https://github.com/zergtant/pytorch-handbook
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
visdom
tensorboardx
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/pytorch-tutorial
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。（黄海广）
机器学习初学者
黄海广博士创建的公众号，黄海广博士个人知乎粉丝22000+，github排名全球前120名（31000+）。本公众号致力于人工智能方向的科普性文章，为初学者提供学习路线和基础资料。原创作品有：吴恩达机器学习个人笔记、吴恩达深度学习笔记等。
