PyTorch高级编程的个人实现，包括基础知识、卷积神经网络、递归神经网络、生成

# pytorch-practice 个人总结并实现pytorch高级编程知识（开箱即用，我的运行环境是mac m1 + python 3.9，所有代码完成本地测试），包括基本知识、卷积神经网络、循环神经网络、生成对抗、模型部署和分布式训练（2022)。 1.张量：属性、高级使用方法（分布统计、函数）和计算，Dataset封装，动态修改学习速率 lr_scheduler.StepLR等。 2.传统机器学习模型：回归、分类模型。 3.神经网络：激活函数、过拟合。 4.卷积神经网络：卷积与反卷积、下采样与上采样、不同维度的池化、pad补全方法、图片读取、利用register_forward_hook钩子来可视化CNN中间层。 5.循环神经网络：RNN、LSTM、GRU、文本处理。 6.生成对抗训练。 7.模型部署：基于flask轻型web服务提供模型推理服务、onnx及其onnxruntime工具、Netron可视化ONNX格式的模型、torchscript（torch.jit.trace / torch.jit.script）、推理时间效果对比。（另外libtorch包使用c++写稍微复杂些，后续根据实际需要也会深入研究） 8.分布式训练：torch.nn.parallel下数据并行的DataParallel（DP单进程多线程） 和DistributedDataParallel（DDP多进程）实现单机多卡训练，以及二者时间对比。（由于目前条件有限，后续将完成DPP的多机多卡训练，我也会推出一些分布式训练的实践经验）