Deep-Learning-with-PyTorch-Chinese
Deep-Learning-with-PyTorch-Chinese 是一本中文版的 PyTorch 入门指南，完整翻译了官方书籍《Deep Learning with PyTorch》的精华内容，并配套了可直接运行的 Jupyter Notebook 代码。它解决了初学者面对英文技术资料时的语言障碍与实践困难，让零基础用户也能边学边练，快速掌握张量操作、自动求导、神经网络搭建等核心概念。适合对深度学习感兴趣的开发者、学生和研究人员，尤其适合没有机器学习背景、但具备基础 Python 和数学知识的入门者。项目采用 Docsify 部署为网页版，支持公式渲染与在线阅读，代码与文档同步更新，便于学习和调试。所有内容均基于官方“精简版”（141页），轻量实用，是通往更深入学习（如计算机视觉、NLP）的理想起点。项目非商业用途，尊重原版版权，鼓励学习与分享。
使用场景
一位来自成都的高校研究生小李，正在为毕业课题搭建第一个基于PyTorch的图像分类模型，但英语阅读能力有限，官方英文教材读起来吃力，代码也无从下手。
没有 Deep-Learning-with-PyTorch-Chinese 时
- 面对英文原版书籍中“tensor broadcasting”“autograd graph”等术语，翻译软件常误译，导致概念混淆。
- 官方代码示例为英文注释的Jupyter Notebook，自己重写时频繁出错，调试耗时超过一周仍无法运行。
- 网上中文教程零散，缺乏系统性，无法与PyTorch官方结构对应，学完一章后不知如何衔接下一章。
- 尝试在Colab中运行英文代码时，因环境配置差异（如CUDA版本）多次报错，找不到对应解决方案。
- 没有配套的中文注释代码，无法快速验证“张量如何转移到GPU”这类基础操作是否正确。
使用 Deep-Learning-with-PyTorch-Chinese 后
- 所有章节的中文翻译精准流畅，术语如“步长（stride）”“存储偏移（storage offset）”都有清晰解释，阅读效率提升70%。
- 直接下载code文件夹中的Jupyter Notebook，每章代码均已调试通过，只需替换数据路径即可运行，三天内完成第一个CNN图像分类实验。
- 网页版文档支持公式渲染与目录跳转，学习“自动求导”时可随时回看第4章的梯度计算图，知识串联更顺畅。
- 所有代码均适配主流PyTorch版本，GPU迁移示例（如
tensor.to('cuda')）直接可用，环境问题大幅减少。 - 通过GitHub仓库的issue区发现其他同学的常见错误，快速避坑，项目进度比同组同学快两周。
Deep-Learning-with-PyTorch-Chinese 让零基础的中文学习者，能像使用中文说明书一样快速上手PyTorch，真正实现“读得懂、跑得通、学得会”。
运行环境要求
- Linux
- macOS
- Windows
未说明
未说明
快速开始
使用PyTorch进行深度学习（中文版）
本项目（网页版传送门）将PyTorch官方书籍《Deep learning with PyTorch》（基本摘录版）翻译成中文并给出全书可运行的相关代码。
这个项目将PyTorch官方教程书《Deep learning with PyTorch》（基本摘录版）翻译成中文。
1. 书籍简介
自2016年诞生以来，PyTorch已经成为当今最热门的深度学习框架之一。最近，官方权威的PyTorch教程书《Deep learning with PyTorch》终于问世了，消息一出就获得巨佬Yann LeCun力荐，是入门PyTorch及深度学习的绝佳教材。
需要注意的是，PyTorch官网提供的PDF是基本摘录版（Essential Excerpts），共141页，内容包括以下五个部分：
- 深度学习与PyTorch简介
- 从一个张量开始
- 使用张量表示真实数据
- 学习机制
- 使用神经网络拟合数据
因此可作为快速入门PyTorch的教程。此书完整版目前也可免费预览，传送门。
2. 项目简介
本项目将原书翻译成中文并且给出可运行的相关代码。
本仓库主要包含code和docs两个文件夹（外加一些数据存放在data中）。其中code文件夹就是每章相关jupyter notebook代码；docs文件夹就是markdown格式的《Deep learning with PyTorch》（基本摘录版）书中的相关内容的中文翻译，然后利用docsify将网页文档部署到GitHub Pages上。欢迎对本项目做出贡献或提出issue。
3. 使用方法
本项目面向对PyTorch感兴趣，尤其是想快速入门PyTorch的童鞋。本项目并不要求你有任何深度学习或者机器学习的背景知识，你只需了解基础的数学和编程，如基础的线性代数、微分和概率，以及基础的Python编程。
本仓库的文档包含一些latex公式，但github的markdown原生是不支持公式显示的，而docs文件夹已经利用docsify被部署到了GitHub Pages上，所以你可以方便地访问本项目网页版。如果你想跑一下相关代码的话需要把本项目clone下来，然后运行code文件夹下相关代码。
由于本项目所翻译的是基本摘录版，仅141页，所以适合快速入门PyTorch。如果你想对PyTorch以及深度学习（例如计算机视觉、自然语言处理等）有更深入的学习，可能还需要更多的资料，感兴趣的可以参考我的另一个项目Dive-into-DL-PyTorch。
4. 目录
5. 声明
- 译者纯粹出于学习目的与个人兴趣而进行翻译，不追求任何经济利益；
- 本项目仅限于学习研究目的的使用，译者保留对此项目的署名权，任何转载必须注明出处，但不得用于任何商业用途；
- 使用本项目对原著的侵权行为或者违反知识产权保护法的任何行为，与译者无关；
- 有能力阅读英文书籍者请阅读原版或购买完整版书籍。
LICENSE
CC BY-NC（署名-非商业性使用）4.0
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。