PyTorch-Tutorial
PyTorch-Tutorial 是由“莫烦 Python"推出的开源学习项目，旨在帮助开发者轻松、快速地构建神经网络。针对初学者在入门深度学习时面临的理论抽象、代码实现困难等痛点，该项目提供了一套从基础到进阶的完整实战指南。
内容涵盖 PyTorch 核心概念（如变量、激活函数）、基础网络搭建（回归与分类）、以及卷积神经网络（CNN）、循环神经网络（RNN）、自动编码器、强化学习（DQN/A3C）和生成对抗网络（GAN）等前沿架构。每个模块均配有清晰的代码示例和动态效果演示，部分章节还详细讲解了 GPU 训练、Dropout 和批归一化等关键技巧。
这套教程特别适合人工智能领域的初学者、学生开发者以及希望快速上手 PyTorch 框架的研究人员。其独特亮点在于提供了详尽的中文视频与图文教学支持，降低了语言和技术门槛，让用户能直观地理解动态计算图机制，并通过可运行的代码文件立即验证学习效果，是通往深度学习实践的高效桥梁。
使用场景
某高校人工智能实验室的研究生团队正试图复现一篇关于图像分类的最新论文，但团队成员大多只有理论基础，缺乏 PyTorch 实战经验。
没有 PyTorch-Tutorial 时
- 环境搭建迷茫：面对张量运算、变量定义等基础概念，成员需在不同论坛碎片化搜索，耗费数天仍无法跑通"Hello World"级别的代码。
- 模型构建困难：在尝试编写卷积神经网络（CNN）时，因不熟悉动态图机制，频繁遭遇维度不匹配报错，调试过程极其痛苦且低效。
- 进阶算法止步：面对生成对抗网络（GAN）或强化学习（DQN）等复杂架构，因缺乏完整的代码参考和中文原理解析，项目被迫搁置。
- 资源浪费严重：团队不得不花费大量时间重复造轮子，而非将精力集中在核心算法改进与实验数据分析上。
使用 PyTorch-Tutorial 后
- 快速上手基础：通过“火炬与 numpy"及“变量”等简明教程，成员在几小时内即可掌握核心语法，迅速完成环境配置与数据预处理。
- 标准化建模流程：参照"CNN 分类”与“快速建网”章节，团队直接复用标准化的网络结构代码，将模型搭建时间从数天缩短至几小时。
- 攻克高阶难题：借助 GAN、RNN 及强化学习等进阶案例的详细注释与可视化结果，成员成功复现了复杂的论文算法并进行了优化。
- 学习效率倍增：莫烦 Python 提供的中英文对照视频与代码，让团队能专注于业务逻辑创新，显著加快了科研项目的迭代周期。
PyTorch-Tutorial 通过提供从零到进阶的完整中文实战路径，将深度学习的学习曲线由陡峭变为平缓，极大降低了科研与开发的门槛。
运行环境要求
- 未说明
非必需（包含 CPU 教程），但支持 GPU 加速（需自行配置 CUDA 环境，具体型号和版本未在文中指定）
未说明
快速开始
如果你想使用 TensorFlow，也不用担心，我同样为 TensorFlow 制作了教程。链接如下：https://github.com/MorvanZhou/Tensorflow-Tutorial
PyTorch 教程
在这些 PyTorch 教程中，我们将构建第一个神经网络，并尝试实现近年来发展起来的一些高级神经网络架构。
感谢 liufuyang 提供的 笔记本文件，这是对本教程的一大贡献。
- PyTorch 基础
- 构建你的第一个网络
- 高级神经网络
- 其他（持续更新）
面向中文用户：以下所有方法均提供中文视频和文字教程。更多内容请访问 莫烦 Python。你也可以观看我的 YouTube 频道。
回归
分类
CNN
RNN
自编码器
GAN（生成对抗网络）
Dropout
批归一化
捐赠
如果这些内容对你有所帮助，请考虑捐赠以支持我制作更好的教程。任何捐助都将不胜感激！
常见问题
相似工具推荐
stable-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。 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。
everything-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。 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。 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
ComfyUI
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。 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。 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。
NextChat
NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。 这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。 NextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。
ML-For-Beginners
ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。
ragflow
RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。 在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。 这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。