PyTorch-From-Zero-To-One
PyTorch-From-Zero-To-One 是一个系统化整理 PyTorch 深度学习框架学习资源的开源项目。它汇集了安装教程、官方文档、精选博客、视频教程及书籍推荐，构建了从零基础到精通的完整知识体系。针对初学者常遇到的资料分散、路线模糊痛点，PyTorch-From-Zero-To-One 将国内外优质内容分类聚合，大幅降低了学习门槛。
无论是对 AI 感兴趣的初学者，还是需要快速构建模型的开发者与研究人员，都能在此找到适合自己的进阶路径。其亮点在于兼顾了中英文资源，既包含 PyTorch 官网核心文档，也收录了如《动手学深度学习》中文版代码实现等本土化优秀教程。此外，每个资源都标注了推荐星级，帮助用户快速甄别质量。通过 PyTorch-From-Zero-To-One，学习者能更高效地掌握神经网络编程技巧，避免在海量信息中迷失方向。
使用场景
一名刚接触深度学习的数据分析师，需要在一个月内从零开始搭建一个基于 PyTorch 的图像分类模型用于项目汇报。
没有 PyTorch-From-Zero-To-One 时
- 安装环境时因系统差异卡在 CUDA 配置上，找不到对应操作系统的详细指南，浪费大量时间。
- 学习资源分散在 GitHub、知乎和官方文档之间，难以判断哪些教程真正适合零基础新手。
- 遇到代码报错时缺乏社区支持渠道，只能盲目搜索 Stack Overflow 却难懂复杂的英文解释。
- 对框架内部机制一知半解，无法灵活调整网络结构导致模型效果不佳。
使用 PyTorch-From-Zero-To-One 后
- 通过提供的 Ubuntu/Windows 安装教程迅速解决环境配置问题，节省半天调试时间。
- 直接访问精选的入门指南和实战项目如 pytorch-book，按部就班完成第一个神经网络构建。
- 利用中文文档和视频教程深入理解张量操作与自动求导机制，排查错误效率显著提升。
- 参考最佳实践博客了解框架内部原理，能够根据需求灵活调整网络结构优化模型效果。
PyTorch-From-Zero-To-One 将碎片化知识整合为系统化路径，极大降低了 PyTorch 的学习门槛。
运行环境要求
- Linux
- Windows
未说明
未说明
快速开始
PyTorch-From-Zero-To-One
PyTorch（一种开源的深度学习框架）从入门到精通：含入门指南、在线教程、视频教程和书籍推荐等资源
注 1：♥ 表示推荐指数，越多越好
注 2：TensorFlow 从入门到精通请参考：TensorFlow-From-Zero-To-One
笔记
安装教程
PyTorch 参考学习资料
PyTorch 入门指南
Awesome-pytorch-list 中文版：GitHub 上关于 PyTorch 相关内容的全面列表，例如不同的模型、实现、辅助库、教程等。
the-incredible-pytorch：《不可思议的 PyTorch》：一份精选的与 PyTorch 相关的教程、论文、项目、社区等的列表。
PyTorch internals：这篇文章是关于 PyTorch 内部机制演讲的长篇散文版本。
官网&社区
国外
- （♥♥♥♥♥）PyTorch 官网
- （♥♥♥♥♥）GitHub：PyTorch
- （♥♥♥♥）Twitter：PyTorch：官方维护，分享最快动态
- （♥♥♥♥）PyTorch 官方论坛
国内
在线教程
国外
- （♥♥♥♥♥）PyTorch：Doc
- （♥♥♥♥♥）pytorch-tutorial：面向深度学习研究人员的 PyTorch 教程
- （♥♥♥♥♥）practicalAI：使用 PyTorch 实现基本的机器学习算法和深度神经网络。
- （♥♥♥♥♥）Dive Into Deep Learning - PyTorch：从 MXNet 迁移到 PyTorch
- （♥♥♥♥）practical-pytorch：展示现代技术的 PyTorch 教程，代码可读性强
- （♥♥♥♥）Deep Learning with PyTorch：该系列完全关于神经网络编程和 PyTorch！
- （♥♥♥） EffectivePyTorch：PyTorch 教程和最佳实践。
- （♥♥♥）Minicourse in Deep Learning with PyTorch：面向 AIMS 的 PyTorch 深度学习迷你课程
- （♥♥♥）pytorch-cpp：面向深度学习研究人员的 PyTorch C++ 实现教程
- （♥♥♥）pytorch-examples：介绍 PyTorch 的简单示例
- （♥♥♥）PyTorchZeroToAll：从零到全能的简单 PyTorch 教程
国内
- （♥♥♥♥♥）pytorch-book：PyTorch 教程和趣味项目，包括神经对话、神经风格、诗歌创作、动漫生成
- （♥♥♥♥♥）莫凡：PyTorch 教学：轻松快速地构建你的神经网络
- （♥♥♥♥♥）pytorch-handbook：pytorch handbook 是一本开源的书籍
- （♥♥♥♥）Dive-into-DL-PyTorch：本项目将《动手学深度学习》(Dive into Deep Learning) 原书中的 MXNet 实现改为 PyTorch 实现。
- （♥♥♥♥）PyTorch_Tutorial：《Pytorch 模型训练实用教程》中配套代码 PyTorch 学习笔记
视频教程
国外
（♥♥♥）Neural Network Programming - Deep Learning with PyTorch
（♥♥♥）Intro to Deep Learning with PyTorch：优达免费课程
国内
- （♥♥♥♥♥）莫凡：PyTorch 教学
书籍资源
国外
（♥♥♥♥♥）Deep Learning with PyTorch：LeCun 力荐，PyTorch 官方权威教程书 github 代码
（♥♥♥）Introduction to Artificial Neural Networks and Deep Learning: A Practical Guide with Applications in Python：人工神经网络与深度学习导论：Python 应用实用指南
国内
（♥♥♥♥♥）《深度学习框架 PyTorch：入门与实践》github
经验&技巧
- （♥♥♥♥♥）PyTorchTricks
实战项目
- （♥♥♥♥♥）pytorch-examples：官网示例
- （♥♥♥♥♥）pretrained-models.pytorch：PyTorch 预训练卷积网络：NASNet, ResNeXt, ResNet, InceptionV4, InceptionResnetV2, Xception, DPN 等。
- （♥♥♥♥）Detectron2：FAIR 下一代目标检测和分割研究平台。
- （♥♥♥♥）mmdetection：基于 PyTorch 1.0 的 Open MMLab 检测工具箱
- （♥♥♥♥）pytorch-semseg：在 PyTorch 中实现的语义分割架构
- （♥♥♥♥）PyTorch Image Models：((SE)ResNet/ResNeXT, DPN, EfficientNet, MixNet, MobileNet-V3/V2/V1, MNASNet, Single-Path NAS, FBNet 等)
- PyTorch CNN Finetune：使用 PyTorch 微调预训练的卷积神经网络
- PyTorch-Deep-Learning-Template
- semantic-segmentation-pytorch
- pytorch-pretrained-BERT
- torchcv：一个基于 PyTorch 的计算机视觉深度学习框架
- https://github.com/devnag/pytorch-generative-adversarial-networks
生态工具
- Ecosystem Tools：官方认证的 PyTorch 生态圈工具列表，含几十个工具包，强烈推荐！
- PyTorch Lightning：Lightning 是 PyTorch 的一个非常轻量级的封装
- Hydra：一个用于优雅配置复杂应用程序的框架
- Torchmeta：PyTorch 少样本学习和元学习库
- Torch Optimizer：PyTorch 优化器工具库
- Pytorch-Toolbox
- Eisen：一个用于稳健深度学习的 Python 包
- Dassl：一个用于领域自适应和半监督学习的 PyTorch 工具箱
- PyRetri：基于 PyTorch 的无监督图像检索工具库
- Kornia：适用于 PyTorch 的开源可微分计算机视觉库
- FastReID：一个面向学术界和工业界的 ReID 工具箱
- KAIR：基于 PyTorch 的图像复原/修复工具箱（支持训练和测试）
- FAIRScale：用于高性能和大规模训练的 PyTorch 工具
- PyTorch3D：用于 3D 计算机视觉的 PyTorch 工具
PyTorch 技巧
其他资料
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。