索引

在 Google Colab 中运行

Colab

下载 Notebook

Notebook

在 GitHub 上查看

GitHub

欢迎来到 PyTorch 教程

PyTorch 教程有什么新内容？

• 为 Intel GPU 集成 SYCL 自定义操作符

• 在 torch.compile/torch.export 中支持自定义 C++ 类

• 使用 GPUDirect Storage 加速 torch.save 和 torch.load

• 完全分片数据并行 (FSDP2) 入门

学习基础知识

熟悉 PyTorch 概念和模块。在本快速入门指南中了解如何加载数据、构建深度神经网络、训练和保存模型。

PyTorch 入门

PyTorch 食谱

小巧、即时部署的 PyTorch 代码示例。

探索秘籍

---

学习基础知识

使用 PyTorch 构建完整机器学习工作流的分步指南。

入门

YouTube 上的 PyTorch 介绍

介绍如何使用 PyTorch 构建完整的机器学习工作流。跟随 YouTube 上的 PyTorch 初学者系列。

入门

通过示例学习 PyTorch

本教程通过自包含的示例介绍了 PyTorch 的基本概念。

入门

torch.nn 到底是什么？

使用 torch.nn 创建和训练神经网络。

入门

使用 TensorBoard 可视化模型、数据和训练

学习使用 TensorBoard 可视化数据和模型训练。

可解释性、入门、TensorBoard

在 PyTorch 中 `non_blocking` 和 `pin_memory()` 的良好使用

关于从 CPU 复制数据到 GPU 的最佳实践指南。

入门

TorchVision 目标检测微调教程

微调预训练的 Mask R-CNN 模型。

图像/视频

计算机视觉迁移学习教程

使用迁移学习训练用于图像分类的卷积神经网络。

图像/视频

对抗样本生成

使用迁移学习训练用于图像分类的卷积神经网络。

图像/视频

DCGAN 教程

训练生成对抗网络 (GAN) 以生成新的名人图像。

图像/视频

空间变换网络教程

学习如何使用视觉注意力机制增强您的网络。

图像/视频

使用 TIAToolbox 对全玻片图像进行推理

学习如何使用 TIAToolbox 对全玻片图像执行推理。

图像/视频

基于 USB 的半监督学习教程

学习如何使用 USB 和 PyTorch 训练半监督学习算法（在自定义数据上）。

图像/视频

音频 I/O

学习使用 torchaudio 加载数据。

音频

音频重采样

学习使用 torchaudio 对音频波形进行重采样。

音频

音频数据增强

学习使用 torchaudio 应用数据增强。

音频

音频特征提取

学习使用 torchaudio 提取特征。

音频

音频特征增强

学习使用 torchaudio 增强特征。

音频

音频数据集

学习使用 torchaudio 数据集。

音频

torchaudio 中使用 Wav2Vec2 进行自动语音识别

学习如何使用 torchaudio 的预训练模型构建语音识别应用程序。

音频

语音命令分类

学习如何正确格式化音频数据集，然后在数据集上训练/测试音频分类网络。

音频

使用 torchaudio 进行文本到语音转换

学习如何使用 torchaudio 的预训练模型构建文本到语音应用程序。

音频

torchaudio 中使用 Wav2Vec2 进行强制对齐

学习如何使用 torchaudio 的 Wav2Vec2 预训练模型将文本与语音对齐

音频

从零开始的自然语言处理：使用字符级 RNN 对名称进行分类

从零开始构建和训练一个基本的字符级 RNN 来分类单词，不使用 torchtext。三个教程系列中的第一个。

自然语言处理

从零开始的自然语言处理：使用字符级 RNN 生成名称

在使用字符级 RNN 对名称进行分类后，学习如何从语言中生成名称。三个教程系列中的第二个。

自然语言处理

从零开始的自然语言处理：使用序列到序列网络和注意力进行翻译

这是“从零开始的自然语言处理”系列的第三个也是最后一个教程，我们将编写自己的类和函数来预处理数据以执行我们的 NLP 建模任务。

自然语言处理

使用 TorchDynamo 后端将 PyTorch 模型导出到 ONNX 并使用 ONNX Runtime 运行

在 PyTorch 中构建一个图像分类器模型，并将其转换为 ONNX，然后使用 ONNX Runtime 部署。

生产、ONNX、后端

扩展 ONNX 导出器操作符支持

演示如何端到端地解决 ONNX 中不支持的操作符。

生产、ONNX、后端

导出带有控制流的模型到 ONNX

演示如何在将 PyTorch 模型导出到 ONNX 时处理控制流逻辑。

生产、ONNX、后端

强化学习 (DQN)

学习如何使用 PyTorch 在 OpenAI Gym 的 CartPole-v0 任务上训练深度 Q 学习 (DQN) 代理。

强化学习

使用 TorchRL 进行强化学习 (PPO)

学习如何使用 PyTorch 和 TorchRL 在 Gym 的倒立摆任务上训练近端策略优化代理。

强化学习

训练一个玩马里奥的强化学习智能体

使用 PyTorch 训练双 Q 学习代理来玩马里奥。

强化学习

循环 DQN

使用 TorchRL 训练循环策略

强化学习

编写 DDPG 损失

使用 TorchRL 编写 DDPG 损失

强化学习

编写您的环境和转换

使用 TorchRL 编写摆锤

强化学习

分析 PyTorch

学习如何分析 PyTorch 应用程序

性能分析

分析 PyTorch

整体跟踪分析简介

性能分析

_static/img/thumbnails/default.png

分析 PyTorch

使用整体跟踪分析进行跟踪差异

性能分析

_static/img/thumbnails/default.png

使用 FX 构建一个简单的性能分析器

构建一个简单的 FX 解释器，记录操作、模块和函数调用的运行时并报告统计信息

FX

(测试版) PyTorch 中的 Channels Last 内存格式

了解 Channels Last 内存格式的概览，并理解它如何用于在内存中排序 NCHW 张量以保留维度。

内存格式、最佳实践、前端 API

使用 PyTorch C++ 前端

通过训练 DCGAN（一种生成模型）生成 MNIST 数字图像，逐步完成使用 C++ 前端训练模型的端到端示例。

前端 API、C++

PyTorch 自定义算子主页

这是 PyTorch 中与自定义操作符相关的所有内容的登陆页面。

扩展 PyTorch、前端 API、C++、CUDA

自定义 Python 算子

在 Python 中创建自定义操作符。对于与 torch.compile 一起使用的 Python 函数进行黑盒化非常有用。

扩展 PyTorch、前端 API、C++、CUDA

编译自动微分：为 ``torch.compile`` 捕获更大的反向图

学习如何使用编译自动微分捕获更大的反向图。

模型优化、CUDA

自定义 C++ 和 CUDA 算子

如何使用自定义 C++ 和 CUDA 操作符扩展 PyTorch。

扩展 PyTorch、前端 API、C++、CUDA

自定义 C++ 和 CUDA 扩展

使用 numpy 创建一个没有参数的神经网络层。然后使用 scipy 创建一个具有可学习权重的神经网络层。

扩展 PyTorch、前端 API、C++、CUDA

C++ 前端中的 Autograd

autograd 包有助于构建灵活和动态的神经网络。在本教程中，探索在 PyTorch C++ 前端中进行自动微分的几个示例

前端 API、C++

在 C++ 中注册一个分发算子

调度器是 PyTorch 的内部组件，负责在您调用诸如 torch::add 之类的函数时确定实际运行的代码。

扩展 PyTorch、前端 API、C++

在 C++ 中为新后端扩展调度器

学习如何扩展调度器以添加一个位于 pytorch/pytorch 仓库之外的新设备，并维护它以与原生 PyTorch 设备保持同步。

扩展 PyTorch、前端 API、C++

通过 PrivateUse1 促进新后端集成

学习如何集成一个位于 pytorch/pytorch 仓库之外的新后端，并维护它以与原生 PyTorch 后端保持同步。

扩展 PyTorch、前端 API、C++

自定义函数教程：双重反向

学习如何编写支持双重反向的自定义自动微分函数。

扩展 PyTorch、前端 API

自定义函数教程：融合卷积和批归一化

学习如何创建自定义自动微分函数，将批归一化融合到卷积中以改善内存使用。

扩展 PyTorch、前端 API

前向模式自动微分

学习如何使用前向自动微分。

前端 API

雅可比矩阵、海森矩阵、hvp、vhp 等

学习如何使用 torch.func 计算高级自动微分量

前端 API

模型集成

学习如何使用 torch.vmap 集成模型

前端 API

逐样本梯度

学习如何使用 torch.func 计算逐样本梯度

前端 API

神经正切核

学习如何使用 torch.func 计算神经切线核

前端 API

PyTorch 中的性能分析

学习如何使用 PyTorch 分析器来衡量模块的性能。

模型优化、最佳实践、分析

TensorBoard 中的性能分析

学习如何使用 TensorBoard 插件来分析和检测模型的性能。

模型优化、最佳实践、分析、TensorBoard

超参数调优教程

学习如何使用 Ray Tune 查找模型的最佳超参数集。

模型优化、最佳实践

参数化教程

学习如何使用 torch.nn.utils.parametrize 来限制参数（例如使它们正交、对称正定、低秩...）

模型优化、最佳实践

剪枝教程

学习如何使用 torch.nn.utils.prune 来稀疏化神经网络，以及如何扩展它来实现自己的自定义剪枝技术。

模型优化、最佳实践

如何通过将优化器步骤融合到反向传播中来节省内存

学习通过使用内存快照将优化器步骤融合到反向传播中来节省内存的技术。

模型优化、最佳实践、CUDA、前端 API

(测试版) 使用半结构化稀疏性加速 BERT

训练 BERT，将其剪枝为 2:4 稀疏，然后使用半结构化稀疏性和 torch.compile 加速它，以实现 2 倍的推理速度提升。

文本、模型优化

使用 Ax 进行多目标神经网络架构搜索

学习如何使用 Ax 搜索架构，找到准确性和延迟之间的最佳权衡。

模型优化、最佳实践、Ax、TorchX

torch.compile 教程

使用最新的 PyTorch 编译器解决方案 torch.compile，以最少的代码更改加速您的模型。

模型优化

在 torch.compile 中构建卷积/批归一化融合器

构建一个简单的模式匹配器通道，将批归一化融合到卷积中，以提高推理期间的性能。

模型优化

Inductor CPU 后端调试和性能分析

学习 ``torch.compile`` 与 Inductor CPU 后端的使用、调试和性能分析。

模型优化

(测试版) 使用 SCALED DOT PRODUCT ATTENTION 实现高性能 Transformer

本教程探讨了新的 torch.nn.functional.scaled_dot_product_attention 以及如何使用它来构建 Transformer 组件。

模型优化、注意力、Transformer

卷积神经网络中的知识蒸馏

学习如何使用更强大的模型作为教师来提高轻量级模型的准确性。

模型优化、图像/视频

通过用嵌套张量和 torch.compile() 替换 nn.Transformer 来加速 PyTorch Transformer

本教程介绍了使用原生 PyTorch 实现 Transformer 的推荐最佳实践。

Transformer

PyTorch 分布式概述

简要介绍分布式包中的所有概念和功能。使用本文档查找最适合您的应用程序的分布式训练技术。

并行和分布式训练

PyTorch 中的分布式数据并行 - 视频教程

本系列视频教程将引导您通过 DDP 进行 PyTorch 中的分布式训练。

并行和分布式训练

单机模型并行最佳实践

学习如何实现模型并行，这是一种分布式训练技术，它将单个模型拆分到不同的 GPU 上，而不是在每个 GPU 上复制整个模型

并行和分布式训练

分布式数据并行入门

学习何时使用分布式数据并行与数据并行的基础知识，并通过一个示例来设置它。

并行和分布式训练

使用 PyTorch 编写分布式应用程序

设置 PyTorch 的分布式包，使用不同的通信策略，并介绍包的一些内部机制。

并行和分布式训练

使用张量并行进行大规模 Transformer 模型训练

学习如何使用张量并行包训练大型模型。

并行和分布式训练

使用 Cpp 扩展自定义进程组后端

使用自定义集体通信实现扩展 ProcessGroup。

并行和分布式训练

分布式 RPC 框架入门

学习如何使用 torch.distributed.rpc 包构建分布式训练。

并行和分布式训练

使用分布式 RPC 框架实现参数服务器

通过一个简单的示例，使用 PyTorch 的分布式 RPC 框架实现参数服务器。

并行和分布式训练

分布式流水线并行简介

演示如何使用 torch.distributed.pipelining 实现流水线并行

并行和分布式训练

使用异步执行实现批处理 RPC

学习如何使用 rpc.functions.async_execution 实现批量 RPC

并行和分布式训练

结合 Distributed DataParallel 和分布式 RPC 框架

通过一个简单的示例，了解如何将分布式数据并行与分布式模型并行结合起来。

并行和分布式训练

完全分片数据并行 (FSDP2) 入门

学习如何使用完全分片数据并行 (fully_shard) 包训练模型。

并行和分布式训练

Libuv TCPStore 后端简介

TCPStore 现在使用新的服务器后端，以实现更快的连接和更好的可扩展性。

并行和分布式训练

导出到 ExecuTorch 教程

了解如何使用 ExecuTorch，一个用于将 PyTorch 模型下沉到边缘设备的统一机器学习栈。

边缘

在 C++ 中运行 ExecuTorch 模型教程

学习如何在 C++ 中加载和执行 ExecuTorch 模型

边缘

使用 ExecuTorch SDK 分析模型

探索如何使用 ExecuTorch SDK 来分析、调试和可视化 ExecuTorch 模型

边缘

构建 ExecuTorch iOS 演示应用程序

探索如何设置 ExecuTorch iOS 演示应用程序，该应用程序使用 MobileNet v3 模型处理实时相机图像，利用三个不同的后端：XNNPACK、Core ML 和 Metal Performance Shaders (MPS)。

边缘

构建 ExecuTorch Android 演示应用程序

学习如何设置 ExecuTorch Android 演示应用程序，用于图像分割任务，使用 DeepLab v3 模型和 XNNPACK FP32 后端。

边缘

将模型作为委托下沉

学习如何使用 ExecuTorch 通过三种方法加速程序：下沉整个模块、将其与另一个模块组合，以及分割模块的部分。

边缘

TorchRec 简介

TorchRec 是一个 PyTorch 领域库，旨在提供大规模推荐系统所需的常见稀疏性和并行性原语。

TorchRec、推荐系统

探索 TorchRec 分片

本教程涵盖了通过使用 EmbeddingPlanner 和 DistributedModelParallel API 的嵌入表分片方案。

TorchRec、推荐系统

其他资源

PyTorch 示例

一组关于视觉、文本、强化学习中 PyTorch 的示例，您可以将其集成到现有工作中。

查看示例

在 Google Colab 上运行教程

学习如何将教程数据复制到 Google Drive，以便您可以在 Google Colab 上运行教程。

打开