[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-INTERMT--Awesome-PyTorch-Chinese":3,"tool-INTERMT--Awesome-PyTorch-Chinese":61},[4,18,26,36,44,53],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",147882,2,"2026-04-09T11:32:47",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":32,"last_commit_at":42,"category_tags":43,"status":17},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",108111,"2026-04-08T11:23:26",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":32,"last_commit_at":50,"category_tags":51,"status":17},4721,"markitdown","microsoft\u002Fmarkitdown","MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。\n\n在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。\n\n这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器",93400,"2026-04-06T19:52:38",[52,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":10,"last_commit_at":59,"category_tags":60,"status":17},4487,"LLMs-from-scratch","rasbt\u002FLLMs-from-scratch","LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目，旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型（LLM）。它不仅是同名技术著作的官方代码库，更提供了一套完整的实践方案，涵盖模型开发、预训练及微调的全过程。\n\n该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型，却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码，用户能够透彻掌握 Transformer 架构、注意力机制等关键原理，从而真正理解大模型是如何“思考”的。此外，项目还包含了加载大型预训练权重进行微调的代码，帮助用户将理论知识延伸至实际应用。\n\nLLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API，而是渴望探究模型构建细节的技术人员而言，这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计：将复杂的系统工程拆解为清晰的步骤，配合详细的图表与示例，让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础，还是为未来研发更大规模的模型做准备",90106,"2026-04-06T11:19:32",[35,15,13,14],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":67,"readme_en":68,"readme_zh":69,"quickstart_zh":70,"use_case_zh":71,"hero_image_url":72,"owner_login":73,"owner_name":74,"owner_avatar_url":75,"owner_bio":76,"owner_company":77,"owner_location":78,"owner_email":76,"owner_twitter":76,"owner_website":79,"owner_url":80,"languages":81,"stars":86,"forks":87,"last_commit_at":88,"license":89,"difficulty_score":90,"env_os":91,"env_gpu":91,"env_ram":91,"env_deps":92,"category_tags":99,"github_topics":100,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":105,"updated_at":106,"faqs":107,"releases":108},5901,"INTERMT\u002FAwesome-PyTorch-Chinese","Awesome-PyTorch-Chinese","【干货】史上最全的PyTorch学习资源汇总","Awesome-PyTorch-Chinese 是一个专为中文用户打造的 PyTorch 学习资源聚合库，旨在解决国内开发者在深度学习入门过程中面临的资料分散、语言障碍及实战案例匮乏等痛点。它系统性地整理了从官方文档中文版、基础教程、视频教程到自然语言处理（NLP）与计算机视觉（CV）领域的实战项目代码，覆盖了从理论入门到工业级应用的全链路需求。\n\n该资源库特别适合希望使用 PyTorch 进行深度学习开发与研究的初学者、高校学生及科研人员。对于英语阅读存在困难的用戶，它提供了高质量的中文文档与本土化视频课程（如 B 站精选、莫烦 Python 等），大幅降低了学习门槛。同时，针对进阶用户，收录了 TorchText、Fairseq、TorchCV 等主流框架的实战指南，以及 BERT、风格迁移、人脸对齐等前沿技术的复现代码，帮助研究者快速验证想法。\n\n其核心亮点在于“全”与“精”：不仅打破了中英文资料的信息差，还将零散的开源项目按应用场景分类，形成了结构清晰的知识体系。无论是想快速上手的新手，还是寻求特定领域解决方案的资深开发者，都能在此找到对应的学习路径与代码参考，是中文社区不可或","Awesome-PyTorch-Chinese 是一个专为中文用户打造的 PyTorch 学习资源聚合库，旨在解决国内开发者在深度学习入门过程中面临的资料分散、语言障碍及实战案例匮乏等痛点。它系统性地整理了从官方文档中文版、基础教程、视频教程到自然语言处理（NLP）与计算机视觉（CV）领域的实战项目代码，覆盖了从理论入门到工业级应用的全链路需求。\n\n该资源库特别适合希望使用 PyTorch 进行深度学习开发与研究的初学者、高校学生及科研人员。对于英语阅读存在困难的用戶，它提供了高质量的中文文档与本土化视频课程（如 B 站精选、莫烦 Python 等），大幅降低了学习门槛。同时，针对进阶用户，收录了 TorchText、Fairseq、TorchCV 等主流框架的实战指南，以及 BERT、风格迁移、人脸对齐等前沿技术的复现代码，帮助研究者快速验证想法。\n\n其核心亮点在于“全”与“精”：不仅打破了中英文资料的信息差，还将零散的开源项目按应用场景分类，形成了结构清晰的知识体系。无论是想快速上手的新手，还是寻求特定领域解决方案的资深开发者，都能在此找到对应的学习路径与代码参考，是中文社区不可或缺的 PyTorch 学习宝典。","\n \n## 目录：\n\n* [PyTorch学习教程、手册](#PyTorch学习教程手册)\n* [PyTorch视频教程](#PyTorch视频教程)\n* [NLP&PyTorch实战](#NLPPyTorch实战)\n* [CV&PyTorch实战](#CVPyTorch实战)\n* [PyTorch论文推荐](#PyTorch论文推荐)\n* [Pytorch书籍推荐](#PyTorch书籍推荐)\n\n## PyTorch学习教程、手册\n \n* [PyTorch英文版官方手册](https:\u002F\u002Fpytorch.org\u002Ftutorials\u002F)：对于英文比较好的同学，非常推荐该PyTorch官方文档，一步步带你从入门到精通。该文档详细的介绍了从基础知识到如何使用PyTorch构建深层神经网络，以及PyTorch语法和一些高质量的案例。\n* [PyTorch中文官方文档](https:\u002F\u002Fgithub.com\u002Ffendouai\u002FPyTorchDocs)：阅读上述英文文档比较困难的同学也不要紧，我们为大家准备了比较官方的PyTorch中文文档，文档非常详细的介绍了各个函数，可作为一份PyTorch的速查宝典。\n* [比较偏算法实战的PyTorch代码教程](https:\u002F\u002Fgithub.com\u002Fyunjey\u002Fpytorch-tutorial)：在github上有很高的star。建议大家在阅读本文档之前，先学习上述两个PyTorch基础教程。\n* [开源书籍](https:\u002F\u002Fgithub.com\u002Fzergtant\u002Fpytorch-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。但本文档不是内容不是很全，还在持续更新中。\n* [简单易上手的PyTorch中文文档](https:\u002F\u002Fgithub.com\u002Ffendouai\u002Fpytorch1.0-cn)：非常适合新手学习。该文档从介绍什么是PyTorch开始，到神经网络、PyTorch的安装，再到图像分类器、数据并行处理，非常详细的介绍了PyTorch的知识体系，适合新手的学习入门。该文档的官网：[http:\u002F\u002Fpytorchchina.com](http:\u002F\u002Fpytorchchina.com) 。\n\n## PyTorch视频教程\n* [B站PyTorch视频教程](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002Fav31914351\u002F)：首推的是B站中近期点击率非常高的一个PyTorch视频教程，虽然视频内容只有八集，但讲的深入浅出，十分精彩。只是没有中文字幕，小伙伴们是该练习一下英文了...\n* [国外视频教程](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=SKq-pmkekTk)：另外一个国外大佬的视频教程，在YouTube上有很高的点击率，也是纯英文的视频，有没有觉得外国的教学视频不管是多么复杂的问题都能讲的很形象很简单？\n* [莫烦](https:\u002F\u002Fmorvanzhou.github.io\u002Ftutorials\u002Fmachine-learning\u002Ftorch\u002F)：相信莫烦老师大家应该很熟了，他的Python、深度学习的系列视频在B站和YouTube上均有很高的点击率，该PyTorch视频教程也是去年刚出不久，推荐给新手朋友。\n* [101学院](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002Fav49008640\u002F)：人工智能101学院的PyTorch系列视频课程，讲的比较详细、覆盖的知识点也比较广，感兴趣的朋友可以试听一下。\n* [七月在线](https:\u002F\u002Fwww.julyedu.com\u002Fcourse\u002FgetDetail\u002F140\u002F)：最后，向大家推荐的是国内领先的人工智能教育平台——七月在线的PyTorch入门与实战系列课。课程虽然是收费课程，但课程包含PyTorch语法、深度学习基础、词向量基础、NLP和CV的项目应用、实战等，理论和实战相结合，确实比其它课程讲的更详细，推荐给大家。\n \n\n## NLP&PyTorch实战\n* [Pytorch text](https:\u002F\u002Fgithub.com\u002Fpytorch\u002Ftext)：Torchtext是一个非常好用的库，可以帮助我们很好的解决文本的预处理问题。此github存储库包含两部分：\n    * torchText.data：文本的通用数据加载器、抽象和迭代器（包括词汇和词向量）\n    * torchText.datasets：通用NLP数据集的预训练加载程序\n我们只需要通过pip install torchtext安装好torchtext后，便可以开始体验Torchtext 的种种便捷之处。\n* [Pytorch-Seq2seq](https:\u002F\u002Fgithub.com\u002FIBM\u002Fpytorch-seq2seq)：Seq2seq是一个快速发展的领域，新技术和新框架经常在此发布。这个库是在PyTorch中实现的Seq2seq模型的框架，该框架为Seq2seq模型的训练和预测等都提供了模块化和可扩展的组件，此github项目是一个基础版本，目标是促进这些技术和应用程序的开发。\n* [BERT NER](https:\u002F\u002Fgithub.com\u002Fkamalkraj\u002FBERT-NER)：BERT是2018年google 提出来的预训练语言模型，自其诞生后打破了一系列的NLP任务，所以其在nlp的领域一直具有很重要的影响力。该github库是BERT的PyTorch版本，内置了很多强大的预训练模型，使用时非常方便、易上手。\n* [Fairseq](https:\u002F\u002Fgithub.com\u002Fpytorch\u002Ffairseq)：Fairseq是一个序列建模工具包，允许研究人员和开发人员为翻译、总结、语言建模和其他文本生成任务训练自定义模型，它还提供了各种Seq2seq模型的参考实现。该github存储库包含有关入门、训练新模型、使用新模型和任务扩展Fairseq的说明，对该模型感兴趣的小伙伴可以点击上方链接学习。\n* [Quick-nlp](https:\u002F\u002Fgithub.com\u002Foutcastofmusic\u002Fquick-nlp)：Quick-nlp是一个深受fast.ai库启发的深入学习Nlp库。它遵循与Fastai相同的API，并对其进行了扩展，允许快速、轻松地运行NLP模型。\n* [OpenNMT-py](https:\u002F\u002Fgithub.com\u002FOpenNMT\u002FOpenNMT-py)：这是OpenNMT的一个PyTorch实现，一个开放源码的神经网络机器翻译系统。它的设计是为了便于研究，尝试新的想法，以及在翻译，总结，图像到文本，形态学等许多领域中尝试新的想法。一些公司已经证明该代码可以用于实际的工业项目中，更多关于这个github的详细信息请参阅以上链接。\n \n## CV&PyTorch实战\n* [pytorch vision](https:\u002F\u002Fgithub.com\u002Fpytorch\u002Fvision)：Torchvision是独立于pytorch的关于图像操作的一些方便工具库。主要包括：vision.datasets 、vision.models、vision.transforms、vision.utils 几个包，安装和使用都非常简单，感兴趣的小伙伴们可以参考以上链接。\n* [OpenFacePytorch](https:\u002F\u002Fgithub.com\u002Fthnkim\u002FOpenFacePytorch)：此github库是OpenFace在Pytorch中的实现，代码要求输入的图像要与原始OpenFace相同的方式对齐和裁剪。\n* [TorchCV](https:\u002F\u002Fgithub.com\u002Fdonnyyou\u002Ftorchcv)：TorchCV是一个基于PyTorch的计算机视觉深度学习框架，支持大部分视觉任务训练和部署，此github库为大多数基于深度学习的CV问题提供源代码，对CV方向感兴趣的小伙伴还在等什么？\n* [Pytorch-cnn-finetune](https:\u002F\u002Fgithub.com\u002Fcreafz\u002Fpytorch-cnn-finetune)：该github库是利用pytorch对预训练卷积神经网络进行微调，支持的架构和模型包括：ResNet 、DenseNet、Inception v3 、VGG、SqueezeNet 、AlexNet 等。\n* [Pt-styletransfer](https:\u002F\u002Fgithub.com\u002Ftymokvo\u002Fpt-styletransfer#pt-styletransfer)：这个github项目是Pytorch中的神经风格转换，具体有以下几个需要注意的地方：\n    * StyleTransferNet作为可由其他脚本导入的类；\n    * 支持VGG（这是在PyTorch中提供预训练的VGG模型之前）\n    * 可保存用于显示的中间样式和内容目标的功能\n    * 可作为图像检查图矩阵的函数\n    * 自动样式、内容和产品图像保存\n    * 一段时间内损失的Matplotlib图和超参数记录，以跟踪有利的结果\n* [Face-alignment](https:\u002F\u002Fgithub.com\u002F1adrianb\u002Fface-alignment#face-recognition)：Face-alignment是一个用 pytorch 实现的 2D 和 3D 人脸对齐库，使用世界上最准确的面对齐网络从 Python 检测面部地标，能够在2D和3D坐标中检测点。该github库详细的介绍了使用Face-alignment进行人脸对齐的基本流程，欢迎感兴趣的同学学习。\n \n\n## PyTorch论文推荐\n* [Google_evolution](https:\u002F\u002Fgithub.com\u002Fneuralix\u002Fgoogle_evolution)：该论文实现了实现了由Esteban Real等人提出的图像分类器大规模演化的结果网络。在实验之前，需要我们安装好PyTorch、 Scikit-learn以及下载好 [CIFAR10 dataset数据集](https:\u002F\u002Fwww.cs.toronto.edu\u002F~kriz\u002Fcifar.html)。\n* [PyTorch-value-iteration-networks](https:\u002F\u002Fgithub.com\u002Fonlytailei\u002FValue-Iteration-Networks-PyTorch)：该论文基于作者最初的Theano实现和Abhishek Kumar的Tensoflow实现，包含了在PyTorch中实现价值迭代网络（VIN）。Vin在NIPS 2016年获得最佳论文奖。\n* [Pytorch Highway](https:\u002F\u002Fgithub.com\u002Fkefirski\u002Fpytorch_Highway)：Highway Netowrks是允许信息高速无阻碍的通过各层，它是从Long Short Term Memory(LSTM) recurrent networks中的gate机制受到启发，可以让信息无阻碍的通过许多层，达到训练深层神经网络的效果，使深层神经网络不在仅仅具有浅层神经网络的效果。该论文是Highway network基于Pytorch的实现。\n* [Pyscatwave](https:\u002F\u002Fgithub.com\u002Fedouardoyallon\u002Fpyscatwave)：Cupy\u002FPythorn的散射实现。散射网络是一种卷积网络，它的滤波器被预先定义为子波，不需要学习，可以用于图像分类等视觉任务。散射变换可以显著降低输入的空间分辨率（例如224x224->14x14），且双关功率损失明显为负。\n* [Pytorch_NEG_loss](https:\u002F\u002Fgithub.com\u002Fkefirski\u002Fpytorch_NEG_loss)：该论文是Negative Sampling Loss的Pytorch实现。Negative Sampling是一种求解word2vec模型的方法，它摒弃了霍夫曼树，采用了Negative Sampling（负采样）的方法来求解，本论文是对Negative Sampling的loss函数的研究，感兴趣的小伙伴可点击上方论文链接学习。\n* [Pytorch_TDNN](https:\u002F\u002Fgithub.com\u002Fkefirski\u002Fpytorch_TDNN)：该论文是对Time Delayed NN的Pytorch实现。论文详细的讲述了TDNN的原理以及实现过程。\n \n## PyTorch书籍推荐\n相较于目前Tensorflow类型的书籍已经烂大街的状况，PyTorch类的书籍目前已出版的并没有那么多，笔者给大家推荐我认为还不错的四本PyTorch书籍。\n* **《深度学习入门之PyTorch》**，电子工业出版社，作者：廖星宇。这本《深度学习入门之PyTorch》是所有PyTorch书籍中出版的相对较早的一本，作者以自己的小白入门深度学习之路，深入浅出的讲解了PyTorch的语法、原理以及实战等内容，适合新手的入门学习。但不足的是，书中有很多不严谨以及生搬硬套的地方，需要读者好好甄别。\n推荐指数：★★★\n* **《PyTorch深度学习》**，人民邮电出版社，作者：王海玲、刘江峰。该书是一本英译书籍，原作者是两位印度的大佬，该书除了PyTorch基本语法、函数外，还涵盖了ResNET、Inception、DenseNet等在内的高级神经网络架构以及它们的应用案例。该书适合数据分析师、数据科学家等相对有一些理论基础和实战经验的读者学习，不太建议作为新手的入门选择。\n推荐指数：★★★\n* **《深度学习框架PyTorch入门与实践》**，电子工业出版社，作者：陈云。这是一本2018年上市的PyTorch书籍，包含理论入门和实战项目两大部分，相较于其它同类型书籍，该书案例非常的翔实，包括：Kaggle竞赛中经典项目、GAN生成动漫头像、AI滤镜、RNN写诗、图像描述任务等。理论+实战的内容设置也更适合深度学习入门者和从业者学习。\n推荐指数：★★★★\n* **《PyTorch机器学习从入门到实战》**，机械工业出版社，作者：校宝在线、孙琳等。该书同样是一本理论结合实战的Pytorch教程，相较于前一本入门+实战教程，本书的特色在于关于深度学习的理论部分讲的非常详细，后边的实战项目更加的综合。总体而言，本书也是一本适合新手学习的不错的PyTorch入门书籍。\n推荐指数：★★★\n\n\n\n","## 目录：\n\n* [PyTorch学习教程、手册](#PyTorch学习教程手册)\n* [PyTorch视频教程](#PyTorch视频教程)\n* [NLP&PyTorch实战](#NLPPyTorch实战)\n* [CV&PyTorch实战](#CVPyTorch实战)\n* [PyTorch论文推荐](#PyTorch论文推荐)\n* [Pytorch书籍推荐](#PyTorch书籍推荐)\n\n## PyTorch学习教程、手册\n \n* [PyTorch英文版官方手册](https:\u002F\u002Fpytorch.org\u002Ftutorials\u002F)：对于英文比较好的同学，非常推荐该PyTorch官方文档，一步步带你从入门到精通。该文档详细的介绍了从基础知识到如何使用PyTorch构建深层神经网络，以及PyTorch语法和一些高质量的案例。\n* [PyTorch中文官方文档](https:\u002F\u002Fgithub.com\u002Ffendouai\u002FPyTorchDocs)：阅读上述英文文档比较困难的同学也不要紧，我们为大家准备了比较官方的PyTorch中文文档，文档非常详细的介绍了各个函数，可作为一份PyTorch的速查宝典。\n* [比较偏算法实战的PyTorch代码教程](https:\u002F\u002Fgithub.com\u002Fyunjey\u002Fpytorch-tutorial)：在github上有很高的star。建议大家在阅读本文档之前，先学习上述两个PyTorch基础教程。\n* [开源书籍](https:\u002F\u002Fgithub.com\u002Fzergtant\u002Fpytorch-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。但本文档不是内容不是很全，还在持续更新中。\n* [简单易上手的PyTorch中文文档](https:\u002F\u002Fgithub.com\u002Ffendouai\u002Fpytorch1.0-cn)：非常适合新手学习。该文档从介绍什么是PyTorch开始，到神经网络、PyTorch的安装，再到图像分类器、数据并行处理，非常详细的介绍了PyTorch的知识体系，适合新手的学习入门。该文档的官网：[http:\u002F\u002Fpytorchchina.com](http:\u002F\u002Fpytorchchina.com) 。\n\n## PyTorch视频教程\n* [B站PyTorch视频教程](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002Fav31914351\u002F)：首推的是B站中近期点击率非常高的一个PyTorch视频教程，虽然视频内容只有八集，但讲的深入浅出，十分精彩。只是没有中文字幕，小伙伴们是该练习一下英文了...\n* [国外视频教程](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=SKq-pmkekTk)：另外一个国外大佬的视频教程，在YouTube上有很高的点击率，也是纯英文的视频，有没有觉得外国的教学视频不管是多么复杂的问题都能讲的很形象很简单？\n* [莫烦](https:\u002F\u002Fmorvanzhou.github.io\u002Ftutorials\u002Fmachine-learning\u002Ftorch\u002F)：相信莫烦老师大家应该很熟了，他的Python、深度学习的系列视频在B站和YouTube上均有很高的点击率，该PyTorch视频教程也是去年刚出不久，推荐给新手朋友。\n* [101学院](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002Fav49008640\u002F)：人工智能101学院的PyTorch系列视频课程，讲的比较详细、覆盖的知识点也比较广，感兴趣的朋友可以试听一下。\n* [七月在线](https:\u002F\u002Fwww.julyedu.com\u002Fcourse\u002FgetDetail\u002F140\u002F)：最后，向大家推荐的是国内领先的人工智能教育平台——七月在线的PyTorch入门与实战系列课。课程虽然是收费课程，但课程包含PyTorch语法、深度学习基础、词向量基础、NLP和CV的项目应用、实战等，理论和实战相结合，确实比其它课程讲的更详细，推荐给大家。\n \n\n## NLP&PyTorch实战\n* [Pytorch text](https:\u002F\u002Fgithub.com\u002Fpytorch\u002Ftext)：Torchtext是一个非常好用的库，可以帮助我们很好的解决文本的预处理问题。此github存储库包含两部分：\n    * torchText.data：文本的通用数据加载器、抽象和迭代器（包括词汇和词向量）\n    * torchText.datasets：通用NLP数据集的预训练加载程序\n我们只需要通过pip install torchtext安装好torchtext后，便可以开始体验Torchtext 的种种便捷之处。\n* [Pytorch-Seq2seq](https:\u002F\u002Fgithub.com\u002FIBM\u002Fpytorch-seq2seq)：Seq2seq是一个快速发展的领域，新技术和新框架经常在此发布。这个库是在PyTorch中实现的Seq2seq模型的框架，该框架为Seq2seq模型的训练和预测等都提供了模块化和可扩展的组件，此github项目是一个基础版本，目标是促进这些技术和应用程序的开发。\n* [BERT NER](https:\u002F\u002Fgithub.com\u002Fkamalkraj\u002FBERT-NER)：BERT是2018年google 提出来的预训练语言模型，自其诞生后打破了一系列的NLP任务，所以其在nlp的领域一直具有很重要的影响力。该github库是BERT的PyTorch版本，内置了很多强大的预训练模型，使用时非常方便、易上手。\n* [Fairseq](https:\u002F\u002Fgithub.com\u002Fpytorch\u002Ffairseq)：Fairseq是一个序列建模工具包，允许研究人员和开发人员为翻译、总结、语言建模和其他文本生成任务训练自定义模型，它还提供了各种Seq2seq模型的参考实现。该github存储库包含有关入门、训练新模型、使用新模型和任务扩展Fairseq的说明，对该模型感兴趣的小伙伴可以点击上方链接学习。\n* [Quick-nlp](https:\u002F\u002Fgithub.com\u002Foutcastofmusic\u002Fquick-nlp)：Quick-nlp是一个深受fast.ai库启发的深入学习Nlp库。它遵循与Fastai相同的API，并对其进行了扩展，允许快速、轻松地运行NLP模型。\n* [OpenNMT-py](https:\u002F\u002Fgithub.com\u002FOpenNMT\u002FOpenNMT-py)：这是OpenNMT的一个PyTorch实现，一个开放源码的神经网络机器翻译系统。它的设计是为了便于研究，尝试新的想法，以及在翻译、总结、图像到文本、形态学等许多领域中尝试新的想法。一些公司已经证明该代码可以用于实际的工业项目中，更多关于这个github的详细信息请参阅以上链接。\n \n## CV&PyTorch实战\n* [pytorch vision](https:\u002F\u002Fgithub.com\u002Fpytorch\u002Fvision)：Torchvision是独立于pytorch的关于图像操作的一些方便工具库。主要包括：vision.datasets 、vision.models、vision.transforms、vision.utils 几个包，安装和使用都非常简单，感兴趣的小伙伴们可以参考以上链接。\n* [OpenFacePytorch](https:\u002F\u002Fgithub.com\u002Fthnkim\u002FOpenFacePytorch)：此github库是OpenFace在Pytorch中的实现，代码要求输入的图像要与原始OpenFace相同的方式对齐和裁剪。\n* [TorchCV](https:\u002F\u002Fgithub.com\u002Fdonnyyou\u002Ftorchcv)：TorchCV是一个基于PyTorch的计算机视觉深度学习框架，支持大部分视觉任务训练和部署，此github库为大多数基于深度学习的CV问题提供源代码，对CV方向感兴趣的小伙伴还在等什么？\n* [Pytorch-cnn-finetune](https:\u002F\u002Fgithub.com\u002Fcreafz\u002Fpytorch-cnn-finetune)：该github库是利用pytorch对预训练卷积神经网络进行微调，支持的架构和模型包括：ResNet 、DenseNet、Inception v3 、VGG、SqueezeNet 、AlexNet 等。\n* [Pt-styletransfer](https:\u002F\u002Fgithub.com\u002Ftymokvo\u002Fpt-styletransfer#pt-styletransfer)：这个github项目是Pytorch中的神经风格转换，具体有以下几个需要注意的地方：\n    * StyleTransferNet作为可由其他脚本导入的类；\n    * 支持VGG（这是在PyTorch中提供预训练的VGG模型之前）\n    * 可保存用于显示的中间样式和内容目标的功能\n    * 可作为图像检查图矩阵的函数\n    * 自动样式、内容和产品图像保存\n    * 一段时间内损失的Matplotlib图和超参数记录，以跟踪有利的结果\n* [Face-alignment](https:\u002F\u002Fgithub.com\u002F1adrianb\u002Fface-alignment#face-recognition)：Face-alignment是一个用 pytorch 实现的 2D 和 3D 人脸对齐库，使用世界上最准确的面对齐网络从 Python 检测面部地标，能够在2D和3D坐标中检测点。该github库详细的介绍了使用Face-alignment进行人脸对齐的基本流程，欢迎感兴趣的同学学习。\n \n\n## PyTorch论文推荐\n* [Google_evolution](https:\u002F\u002Fgithub.com\u002Fneuralix\u002Fgoogle_evolution)：该论文实现了实现了由Esteban Real等人提出的图像分类器大规模演化的结果网络。在实验之前，需要我们安装好PyTorch、 Scikit-learn以及下载好 [CIFAR10 dataset数据集](https:\u002F\u002Fwww.cs.toronto.edu\u002F~kriz\u002Fcifar.html)。\n* [PyTorch-value-iteration-networks](https:\u002F\u002Fgithub.com\u002Fonlytailei\u002FValue-Iteration-Networks-PyTorch)：该论文基于作者最初的Theano实现和Abhishek Kumar的Tensoflow实现，包含了在PyTorch中实现价值迭代网络（VIN）。Vin在NIPS 2016年获得最佳论文奖。\n* [Pytorch Highway](https:\u002F\u002Fgithub.com\u002Fkefirski\u002Fpytorch_Highway)：Highway Netowrks是允许信息高速无阻碍的通过各层，它是从Long Short Term Memory(LSTM) recurrent networks中的gate机制受到启发，可以让信息无阻碍的通过许多层，达到训练深层神经网络的效果，使深层神经网络不在仅仅具有浅层神经网络的效果。该论文是Highway network基于Pytorch的实现。\n* [Pyscatwave](https:\u002F\u002Fgithub.com\u002Fedouardoyallon\u002Fpyscatwave)：Cupy\u002FPythorn的散射实现。散射网络是一种卷积网络，它的滤波器被预先定义为子波，不需要学习，可以用于图像分类等视觉任务。散射变换可以显著降低输入的空间分辨率（例如224x224->14x14），且双关功率损失明显为负。\n* [Pytorch_NEG_loss](https:\u002F\u002Fgithub.com\u002Fkefirski\u002Fpytorch_NEG_loss)：该论文是Negative Sampling Loss的Pytorch实现。Negative Sampling是一种求解word2vec模型的方法，它摒弃了霍夫曼树，采用了Negative Sampling（负采样）的方法来求解，本论文是对Negative Sampling的loss函数的研究，感兴趣的小伙伴可点击上方论文链接学习。\n* [Pytorch_TDNN](https:\u002F\u002Fgithub.com\u002Fkefirski\u002Fpytorch_TDNN)：该论文是对Time Delayed NN的Pytorch实现。论文详细的讲述了TDNN的原理以及实现过程。\n \n## PyTorch书籍推荐\n相较于目前Tensorflow类型的书籍已经烂大街的状况，PyTorch类的书籍目前已出版的并没有那么多，笔者给大家推荐我认为还不错的四本PyTorch书籍。\n* **《深度学习入门之PyTorch》**，电子工业出版社，作者：廖星宇。这本《深度学习入门之PyTorch》是所有PyTorch书籍中出版的相对较早的一本，作者以自己的小白入门深度学习之路，深入浅出的讲解了PyTorch的语法、原理以及实战等内容，适合新手的入门学习。但不足的是，书中有很多不严谨以及生搬硬套的地方，需要读者好好甄别。\n推荐指数：★★★\n* **《PyTorch深度学习》**，人民邮电出版社，作者：王海玲、刘江峰。该书是一本英译书籍，原作者是两位印度的大佬，该书除了PyTorch基本语法、函数外，还涵盖了ResNET、Inception、DenseNet等在内的高级神经网络架构以及它们的应用案例。该书适合数据分析师、数据科学家等相对有一些理论基础和实战经验的读者学习，不太建议作为新手的入门选择。\n推荐指数：★★★\n* **《深度学习框架PyTorch入门与实践》**，电子工业出版社，作者：陈云。这是一本2018年上市的PyTorch书籍，包含理论入门和实战项目两大部分，相较于其它同类型书籍，该书案例非常的翔实，包括：Kaggle竞赛中经典项目、GAN生成动漫头像、AI滤镜、RNN写诗、图像描述任务等。理论+实战的内容设置也更适合深度学习入门者和从业者学习。\n推荐指数：★★★★\n* **《PyTorch机器学习从入门到实战》**，机械工业出版社，作者：校宝在线、孙琳等。该书同样是一本理论结合实战的Pytorch教程，相较于前一本入门+实战教程，本书的特色在于关于深度学习的理论部分讲的非常详细，后边的实战项目更加的综合。总体而言，本书也是一本适合新手学习的不错的PyTorch入门书籍。\n推荐指数：★★★","# Awesome-PyTorch-Chinese 快速上手指南\n\n本指南基于 Awesome-PyTorch-Chinese 资源整理，旨在帮助中国开发者快速搭建 PyTorch 环境并开启深度学习之旅。\n\n## 1. 环境准备\n\n在开始之前，请确保您的开发环境满足以下基本要求：\n\n*   **操作系统**：Linux (推荐), macOS, 或 Windows 10\u002F11。\n*   **Python 版本**：建议安装 Python 3.8 - 3.11 版本。\n*   **硬件加速**：若需使用 GPU 加速，请确保已安装适配的 NVIDIA 显卡驱动及 CUDA Toolkit。\n*   **包管理工具**：推荐使用 `conda` (Anaconda 或 Miniconda) 进行环境管理，也可使用 `pip`。\n\n> **国内加速建议**：为避免下载依赖缓慢，建议配置国内镜像源（如清华源、阿里源）。\n\n## 2. 安装步骤\n\n### 方案 A：使用 Conda 安装（推荐）\n\n1.  **创建虚拟环境**：\n    ```bash\n    conda create -n pytorch_env python=3.9\n    conda activate pytorch_env\n    ```\n\n2.  **安装 PyTorch**：\n    *   **CPU 版本**：\n        ```bash\n        conda install pytorch torchvision torchaudio cpuonly -c pytorch\n        ```\n    *   **GPU 版本**（以 CUDA 11.8 为例，请根据实际显卡驱动选择）：\n        ```bash\n        conda install pytorch torchvision torchaudio pytorch-cuda=11.8 -c pytorch -c nvidia\n        ```\n\n    > **国内镜像加速**：若上述命令下载缓慢，可使用清华源：\n    > ```bash\n    > conda install pytorch torchvision torchaudio cpuonly -c https:\u002F\u002Fmirrors.tuna.tsinghua.edu.cn\u002Fanaconda\u002Fcloud\u002Fpytorch\u002F\n    > ```\n\n### 方案 B：使用 Pip 安装\n\n1.  **升级 pip**：\n    ```bash\n    python -m pip install --upgrade pip\n    ```\n\n2.  **安装 PyTorch**：\n    *   **CPU 版本**：\n        ```bash\n        pip install torch torchvision torchaudio --index-url https:\u002F\u002Fdownload.pytorch.org\u002Fwhl\u002Fcpu\n        ```\n    *   **GPU 版本**：\n        ```bash\n        pip install torch torchvision torchaudio --index-url https:\u002F\u002Fdownload.pytorch.org\u002Fwhl\u002Fcu118\n        ```\n\n    > **国内镜像加速**：使用阿里云或清华源加速 pip 安装：\n    > ```bash\n    > pip install torch torchvision torchaudio -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n    > ```\n\n### 安装常用扩展库\n\n根据 Awesome-PyTorch-Chinese 推荐的实战方向，您可能还需要安装以下库：\n\n*   **NLP 方向 (TorchText)**：\n    ```bash\n    pip install torchtext -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n    ```\n*   **CV 方向 (TorchVision)**：通常随 PyTorch 一起安装，若需单独更新：\n    ```bash\n    pip install torchvision -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n    ```\n\n## 3. 基本使用\n\n安装完成后，可通过以下代码验证环境并运行一个简单的神经网络示例。\n\n### 验证安装\n\n```python\nimport torch\n\n# 检查 PyTorch 版本\nprint(f\"PyTorch version: {torch.__version__}\")\n\n# 检查 CUDA 是否可用\nif torch.cuda.is_available():\n    print(f\"CUDA is available! Device: {torch.cuda.get_device_name(0)}\")\nelse:\n    print(\"CUDA is not available. Running on CPU.\")\n```\n\n### 简单示例：构建并训练一个全连接网络\n\n以下示例展示了如何使用 PyTorch 定义模型、损失函数和优化器，并进行一次前向传播与反向传播。\n\n```python\nimport torch\nimport torch.nn as nn\nimport torch.optim as optim\n\n# 1. 定义一个简单的神经网络\nclass SimpleNet(nn.Module):\n    def __init__(self):\n        super(SimpleNet, self).__init__()\n        self.fc1 = nn.Linear(10, 5)  # 输入层 10 -> 隐藏层 5\n        self.relu = nn.ReLU()\n        self.fc2 = nn.Linear(5, 2)   # 隐藏层 5 -> 输出层 2\n\n    def forward(self, x):\n        x = self.fc1(x)\n        x = self.relu(x)\n        x = self.fc2(x)\n        return x\n\n# 2. 初始化模型、损失函数和优化器\nmodel = SimpleNet()\ncriterion = nn.MSELoss()\noptimizer = optim.SGD(model.parameters(), lr=0.01)\n\n# 3. 准备假数据 (Batch Size=4, Input Dim=10)\ninputs = torch.randn(4, 10)\ntargets = torch.randn(4, 2)\n\n# 4. 前向传播\noutputs = model(inputs)\nloss = criterion(outputs, targets)\n\n# 5. 反向传播与优化\noptimizer.zero_grad()   # 清空梯度\nloss.backward()         # 计算梯度\noptimizer.step()        # 更新参数\n\nprint(f\"Initial Loss: {loss.item()}\")\nprint(\"Training step completed successfully!\")\n```\n\n接下来，您可以参考 Awesome-PyTorch-Chinese 中的教程文档、视频课程以及 NLP\u002FCV 实战项目仓库，深入探索更多高级应用。","某高校研究生李明正着手开展基于 PyTorch 的中文情感分析课题研究，急需从零构建完整的深度学习知识体系并快速复现前沿模型。\n\n### 没有 Awesome-PyTorch-Chinese 时\n- **语言门槛高**：面对 PyTorch 官方英文文档和国外视频教程，因专业术语晦涩难懂，导致基础概念理解缓慢，入门周期被大幅拉长。\n- **资源检索散乱**：在 GitHub、知乎、B 站等多平台碎片化搜索教程与代码，难以辨别资料质量，常陷入过时或错误代码的陷阱。\n- **实战落地困难**：缺乏针对 NLP 领域的系统化实战指引，不知道如何高效调用 Torchtext 处理文本数据或复用 BERT 预训练模型，实验反复受阻。\n- **学习路径迷茫**：不清楚从理论到项目的最佳进阶顺序，在书籍、视频和代码库之间盲目切换，学习效率极低。\n\n### 使用 Awesome-PyTorch-Chinese 后\n- **无障碍精通基础**：直接查阅高质量的中文官方文档及莫烦、101 学院等精选视频教程，迅速掌握神经网络构建与语法细节，消除语言障碍。\n- **一站式资源聚合**：依托汇总的“干货”目录，快速获取高星代码教程（如 yunjey\u002Fpytorch-tutorial）和开源书籍，确保学习资料的权威性与时效性。\n- **高效项目复现**：通过\"NLP&PyTorch 实战”专栏，直接定位到 Torchtext 数据加载器与 BERT-NER 等成熟库，大幅缩短数据预处理与模型微调的开发时间。\n- **清晰进阶路线**：遵循推荐的“教程 - 视频 - 实战 - 论文”学习路径，有条不紊地从入门过渡到科研创新，将原本数周的摸索期压缩至几天。\n\nAwesome-PyTorch-Chinese 通过整合全链路优质中文资源，彻底解决了国内开发者在 PyTorch 学习中的信息不对称问题，让算法研究与工程落地更加高效顺畅。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FINTERMT_Awesome-PyTorch-Chinese_7e0cea22.png","INTERMT","beibei","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FINTERMT_ade656d8.jpg",null,"深度学习与计算机视觉","Shen Zhen","www.objectdetection.cn","https:\u002F\u002Fgithub.com\u002FINTERMT",[82],{"name":83,"color":84,"percentage":85},"Python","#3572A5",100,4716,832,"2026-04-08T15:55:22","MIT",1,"未说明",{"notes":93,"python":91,"dependencies":94},"该仓库为 PyTorch 学习资源、教程、书籍及项目代码的索引列表，本身不包含单一的可执行模型或工具，因此无统一的运行环境需求。具体环境要求需参考列表中各个子项目（如 BERT-NER, Fairseq, OpenNMT-py 等）的独立文档。部分项目提及需要安装 PyTorch、Scikit-learn 以及下载特定数据集（如 CIFAR10）。",[95,96,97,98],"torch","torchvision","torchtext","scikit-learn",[14],[101,102,103,104],"pytroch","awesome","deep-learning","neural-network","2026-03-27T02:49:30.150509","2026-04-09T21:36:24.285687",[],[]]