Skip to content
体验新版
项目
组织
正在加载...
登录
切换导航
打开侧边栏
OpenDocCN
pytorch-doc-zh
提交
18d1fed4
P
pytorch-doc-zh
项目概览
OpenDocCN
/
pytorch-doc-zh
通知
120
Star
3932
Fork
992
代码
文件
提交
分支
Tags
贡献者
分支图
Diff
Issue
0
列表
看板
标记
里程碑
合并请求
0
Wiki
0
Wiki
分析
仓库
DevOps
项目成员
Pages
P
pytorch-doc-zh
项目概览
项目概览
详情
发布
仓库
仓库
文件
提交
分支
标签
贡献者
分支图
比较
Issue
0
Issue
0
列表
看板
标记
里程碑
合并请求
0
合并请求
0
Pages
分析
分析
仓库分析
DevOps
Wiki
0
Wiki
成员
成员
收起侧边栏
关闭侧边栏
动态
分支图
创建新Issue
提交
Issue看板
前往新版Gitcode,体验更适合开发者的 AI 搜索 >>
提交
18d1fed4
编写于
2月 11, 2021
作者:
W
wizardforcel
浏览文件
操作
浏览文件
下载
电子邮件补丁
差异文件
2021-02-11 21:14:55
上级
acaefc31
变更
1
隐藏空白更改
内联
并排
Showing
1 changed file
with
69 addition
and
118 deletion
+69
-118
sidebar.md
sidebar.md
+69
-118
未找到文件。
sidebar.md
浏览文件 @
18d1fed4
*
[
PyTorch 中文教程
](
README.md
)
*
[
PyTorch 1.4 教程&文档
](
docs/1.4/README.md
)
*
入门
*
[
使用 PyTorch 进行深度学习:60 分钟的闪电战
](
docs/1.4/4.md
)
*
[
什么是PyTorch?
](
docs/1.4/blitz/tensor_tutorial.md
)
*
[
Autograd:自动求导
](
docs/1.4/blitz/autograd_tutorial.md
)
*
[
神经网络
](
docs/1.4/blitz/neural_networks_tutorial.md
)
*
[
训练分类器
](
docs/1.4/blitz/cifar10_tutorial.md
)
*
[
可选:数据并行
](
docs/1.4/blitz/data_parallel_tutorial.md
)
*
[
编写自定义数据集,数据加载器和转换
](
docs/1.4/5.md
)
*
[
使用 TensorBoard 可视化模型,数据和训练
](
docs/1.4/6.md
)
*
图片
*
[
TorchVision 对象检测微调教程
](
docs/1.4/8.md
)
*
[
转移学习的计算机视觉教程
](
docs/1.4/9.md
)
*
[
空间变压器网络教程
](
docs/1.4/10.md
)
*
[
使用 PyTorch 进行神经传递
](
docs/1.4/11.md
)
*
[
对抗示例生成
](
docs/1.4/12.md
)
*
[
DCGAN 教程
](
docs/1.4/13.md
)
*
音频
*
[
torchaudio 教程
](
docs/1.4/15.md
)
*
文本
*
[
NLP From Scratch: 使用char-RNN对姓氏进行分类
](
docs/1.4/17.md
)
*
[
NLP From Scratch: 生成名称与字符级RNN
](
docs/1.4/18.md
)
*
[
NLP From Scratch: 基于注意力机制的 seq2seq 神经网络翻译
](
docs/1.4/19.md
)
*
[
使用 TorchText 进行文本分类
](
docs/1.4/20.md
)
*
[
使用 TorchText 进行语言翻译
](
docs/1.4/21.md
)
*
[
使用 nn.Transformer 和 TorchText 进行序列到序列建模
](
docs/1.4/22.md
)
*
命名为 Tensor(实验性)
*
[
(实验性)PyTorch 中的命名张量简介
](
docs/1.4/24.md
)
*
强化学习
*
[
强化学习(DQN)教程
](
docs/1.4/26.md
)
*
在生产中部署 PyTorch 模型
*
[
通过带有 Flask 的 REST API 在 Python 中部署 PyTorch
](
docs/1.4/28.md
)
*
[
TorchScript 简介
](
docs/1.4/29.md
)
*
[
在 C ++中加载 TorchScript 模型
](
docs/1.4/30.md
)
*
[
(可选)将模型从 PyTorch 导出到 ONNX 并使用 ONNX Runtime 运行
](
docs/1.4/31.md
)
*
并行和分布式训练
*
[
单机模型并行最佳实践
](
docs/1.4/33.md
)
*
[
分布式数据并行入门
](
docs/1.4/34.md
)
*
[
用 PyTorch 编写分布式应用程序
](
docs/1.4/35.md
)
*
[
分布式 RPC 框架入门
](
docs/1.4/36.md
)
*
[
(高级)带有 Amazon AWS 的 PyTorch 1.0 分布式训练师
](
docs/1.4/37.md
)
*
扩展 PyTorch
*
[
使用自定义 C ++运算符扩展 TorchScript
](
docs/1.4/39.md
)
*
[
使用自定义 C ++类扩展 TorchScript
](
docs/1.4/40.md
)
*
[
使用 numpy 和 scipy 创建扩展
](
docs/1.4/41.md
)
*
[
自定义 C ++和 CUDA 扩展
](
docs/1.4/42.md
)
*
模型优化
*
[
LSTM Word 语言模型上的(实验)动态量化
](
docs/1.4/44.md
)
*
[
(实验性)在 PyTorch 中使用 Eager 模式进行静态量化
](
docs/1.4/45.md
)
*
[
(实验性)计算机视觉教程的量化转移学习
](
docs/1.4/46.md
)
*
[
(实验)BERT 上的动态量化
](
docs/1.4/47.md
)
*
[
修剪教程
](
docs/1.4/48.md
)
*
PyTorch 用其他语言
*
[
使用 PyTorch C ++前端
](
docs/1.4/50.md
)
*
PyTorch 基础知识
*
[
通过示例学习 PyTorch
](
docs/1.4/52.md
)
*
[
torch.nn 到底是什么?
](
docs/1.4/53.md
)
*
文件
*
笔记
*
[
自动求导机制
](
docs/1.4/56.md
)
*
[
广播语义
](
docs/1.4/57.md
)
*
[
CPU 线程和 TorchScript 推断
](
docs/1.4/58.md
)
*
[
CUDA 语义
](
docs/1.4/59.md
)
*
[
分布式 Autograd 设计
](
docs/1.4/60.md
)
*
[
扩展 PyTorch
](
docs/1.4/61.md
)
*
[
经常问的问题
](
docs/1.4/62.md
)
*
[
大规模部署的功能
](
docs/1.4/63.md
)
*
[
并行处理最佳实践
](
docs/1.4/64.md
)
*
[
重现性
](
docs/1.4/65.md
)
*
[
远程参考协议
](
docs/1.4/66.md
)
*
[
序列化语义
](
docs/1.4/67.md
)
*
[
Windows 常见问题
](
docs/1.4/68.md
)
*
[
XLA 设备上的 PyTorch
](
docs/1.4/69.md
)
*
语言绑定
*
[
PyTorch C ++ API
](
docs/1.4/71.md
)
*
[
PyTorch Java API
](
docs/1.4/72.md
)
*
Python API
*
[
torch
](
docs/1.4/74.md
)
*
[
torch.nn
](
docs/1.4/75.md
)
*
[
torch功能
](
docs/1.4/76.md
)
*
[
torch张量
](
docs/1.4/77.md
)
*
[
张量属性
](
docs/1.4/78.md
)
*
[
自动差分包-Torch.Autograd
](
docs/1.4/79.md
)
*
[
torch.cuda
](
docs/1.4/80.md
)
*
[
分布式通讯包-Torch.Distributed
](
docs/1.4/81.md
)
*
[
概率分布-torch分布
](
docs/1.4/82.md
)
*
[
torch.hub
](
docs/1.4/83.md
)
*
[
torch脚本
](
docs/1.4/84.md
)
*
[
torch.nn.init
](
docs/1.4/85.md
)
*
[
torch.onnx
](
docs/1.4/86.md
)
*
[
torch.optim
](
docs/1.4/87.md
)
*
[
量化
](
docs/1.4/88.md
)
*
[
分布式 RPC 框架
](
docs/1.4/89.md
)
*
[
torch随机
](
docs/1.4/90.md
)
*
[
torch稀疏
](
docs/1.4/91.md
)
*
[
torch存储
](
docs/1.4/92.md
)
*
[
torch.utils.bottleneck
](
docs/1.4/93.md
)
*
[
torch.utils.checkpoint
](
docs/1.4/94.md
)
*
[
torch.utils.cpp_extension
](
docs/1.4/95.md
)
*
[
torch.utils.data
](
docs/1.4/96.md
)
*
[
torch.utils.dlpack
](
docs/1.4/97.md
)
*
[
torch.utils.model_zoo
](
docs/1.4/98.md
)
*
[
torch.utils.tensorboard
](
docs/1.4/99.md
)
*
[
类型信息
](
docs/1.4/100.md
)
*
[
命名张量
](
docs/1.4/101.md
)
*
[
命名为 Tensors 操作员范围
](
docs/1.4/102.md
)
*
[
糟糕!
](
docs/1.4/103.md
)
*
torchvision参考
*
[
torchvision
](
docs/1.4/105.md
)
*
音频参考
*
[
torchaudio
](
docs/1.4/107.md
)
*
torchtext参考
*
[
torchtext
](
docs/1.4/109.md
)
*
社区
*
[
PyTorch 贡献指南
](
docs/1.4/111.md
)
*
[
PyTorch 治理
](
docs/1.4/112.md
)
*
[
PyTorch 治理| 感兴趣的人
](
docs/1.4/113.md
)
+
[
PyTorch 中文官方教程 1.7
](
docs/1.7/README.md
)
+
[
学习 PyTorch
](
docs/1.7/01.md
)
+
[
PyTorch 深度学习:60 分钟的突击
](
docs/1.7/02.md
)
+
[
张量
](
docs/1.7/03.md
)
+
[
`torch.autograd`的简要介绍
](
docs/1.7/04.md
)
+
[
神经网络
](
docs/1.7/05.md
)
+
[
训练分类器
](
docs/1.7/06.md
)
+
[
通过示例学习 PyTorch
](
docs/1.7/07.md
)
+
[
热身:NumPy
](
docs/1.7/08.md
)
+
[
PyTorch:张量
](
docs/1.7/09.md
)
+
[
PyTorch:张量和 Autograd
](
docs/1.7/10.md
)
+
[
PyTorch:定义新的 Autograd 函数
](
docs/1.7/11.md
)
+
[
PyTorch:`nn`
](
docs/1.7/12.md
)
+
[
PyTorch:`optim`
](
docs/1.7/13.md
)
+
[
PyTorch:自定义`nn`模块
](
docs/1.7/14.md
)
+
[
PyTorch:控制流 + 权重共享
](
docs/1.7/15.md
)
+
[
`torch.nn`到底是什么?
](
docs/1.7/16.md
)
+
[
使用 TensorBoard 可视化模型,数据和训练
](
docs/1.7/17.md
)
+
[
图片/视频
](
docs/1.7/18.md
)
+
[
`torchvision`对象检测微调教程
](
docs/1.7/19.md
)
+
[
计算机视觉的迁移学习教程
](
docs/1.7/20.md
)
+
[
对抗示例生成
](
docs/1.7/21.md
)
+
[
DCGAN 教程
](
docs/1.7/22.md
)
+
[
音频
](
docs/1.7/23.md
)
+
[
音频 I/O 和`torchaudio`的预处理
](
docs/1.7/24.md
)
+
[
使用`torchaudio`的语音命令识别
](
docs/1.7/25.md
)
+
[
文本
](
docs/1.7/26.md
)
+
[
使用`nn.Transformer`和`torchtext`的序列到序列建模
](
docs/1.7/27.md
)
+
[
从零开始的 NLP:使用字符级 RNN 分类名称
](
docs/1.7/28.md
)
+
[
从零开始的 NLP:使用字符级 RNN 生成名称
](
docs/1.7/29.md
)
+
[
从零开始的 NLP:使用序列到序列网络和注意力的翻译
](
docs/1.7/30.md
)
+
[
使用`torchtext`的文本分类
](
docs/1.7/31.md
)
+
[
`torchtext`语言翻译
](
docs/1.7/32.md
)
+
[
强化学习
](
docs/1.7/33.md
)
+
[
强化学习(DQN)教程
](
docs/1.7/34.md
)
+
[
训练玩马里奥的 RL 智能体
](
docs/1.7/35.md
)
+
[
在生产中部署 PyTorch 模型
](
docs/1.7/36.md
)
+
[
通过使用 Flask 的 REST API 在 Python 中部署 PyTorch
](
docs/1.7/37.md
)
+
[
TorchScript 简介
](
docs/1.7/38.md
)
+
[
在 C++ 中加载 TorchScript 模型
](
docs/1.7/39.md
)
+
[
将模型从 PyTorch 导出到 ONNX 并使用 ONNX 运行时运行它(可选)
](
docs/1.7/40.md
)
+
[
前端 API
](
docs/1.7/41.md
)
+
[
PyTorch 中的命名张量简介(原型)
](
docs/1.7/42.md
)
+
[
PyTorch 中通道在最后的内存格式(beta)
](
docs/1.7/43.md
)
+
[
使用 PyTorch C++ 前端
](
docs/1.7/44.md
)
+
[
自定义 C++ 和 CUDA 扩展
](
docs/1.7/45.md
)
+
[
使用自定义 C++ 运算符扩展 TorchScript
](
docs/1.7/46.md
)
+
[
使用自定义 C++ 类扩展 TorchScript
](
docs/1.7/47.md
)
+
[
TorchScript 中的动态并行性
](
docs/1.7/48.md
)
+
[
C++ 前端中的 Autograd
](
docs/1.7/49.md
)
+
[
在 C++ 中注册调度运算符
](
docs/1.7/50.md
)
+
[
模型优化
](
docs/1.7/51.md
)
+
[
分析您的 PyTorch 模块
](
docs/1.7/52.md
)
+
[
使用 Ray Tune 的超参数调整
](
docs/1.7/53.md
)
+
[
模型剪裁教程
](
docs/1.7/54.md
)
+
[
LSTM 单词语言模型上的动态量化(beta)
](
docs/1.7/55.md
)
+
[
BERT 上的动态量化(Beta)
](
docs/1.7/56.md
)
+
[
PyTorch 中使用 Eager 模式的静态量化(beta)
](
docs/1.7/57.md
)
+
[
计算机视觉的量化迁移学习教程(beta)
](
docs/1.7/58.md
)
+
[
并行和分布式训练
](
docs/1.7/59.md
)
+
[
PyTorch 分布式概述
](
docs/1.7/60.md
)
+
[
单机模型并行最佳实践
](
docs/1.7/61.md
)
+
[
分布式数据并行入门
](
docs/1.7/62.md
)
+
[
用 PyTorch 编写分布式应用
](
docs/1.7/63.md
)
+
[
分布式 RPC 框架入门
](
docs/1.7/64.md
)
+
[
使用分布式 RPC 框架实现参数服务器
](
docs/1.7/65.md
)
+
[
使用 RPC 的分布式管道并行化
](
docs/1.7/66.md
)
+
[
使用异步执行实现批量 RPC 处理
](
docs/1.7/67.md
)
+
[
将分布式`DataParallel`与分布式 RPC 框架相结合
](
docs/1.7/68.md
)
编辑
预览
Markdown
is supported
0%
请重试
或
添加新附件
.
添加附件
取消
You are about to add
0
people
to the discussion. Proceed with caution.
先完成此消息的编辑!
取消
想要评论请
注册
或
登录