PyTorch入门，坑着实不少。咱们来谈谈，如何选个合适的教程，避开它们。
选择
好几位读者，都留言问我：
王老师，我想学深度学习，到底是该学Tensorflow，还是PyTorch？
没有水晶球，我也不知道谁会最终胜出。
从现状来看，PyTorch的发展势头非常迅猛。在深度学习的顶会上，相关论文增速大幅超越Tensorflow。
JavaidNabi总结了一张最近两年arxiv机器学习论文中提及PyTorch的折线图，增长趋势一目了然。
在机器学习顶会NeurIPS上，PyTorch更是被单独拿出来讨论。
底下的听众，是这样的。
而另一边，Google的Tensorflow2.X版本，在Reddit上正被吐槽和围观。
如果你是个应用机器学习前沿技术的研究者，却还对PyTorch的存在熟视无睹，恐怕不是一个明智的选择。
你该依赖的，是深度学习研发领域的生态系统。具体的原理，我在《学Python，能提升你的竞争力吗？》和《数据科学入门后，该做什么？》两篇文章里，已经给你详细阐释过了。
简单来说，别人都用来沟通和协作的东西，你一窍不通，那就没法愉快参与协作了。深度嵌入到系统的协作能力，才是你赢得竞争的秘密武器。
例如，有人把Google的BERT从Tensorflow迁移到PyTorch后，就迅速开拓了一个评价高达18.4K颗星的项目。该项目受到学术界、工业界，乃至整个儿开发圈子的热情追捧。
为什么？
因为在PyTorch模型的基础上进行修改，非常方便，一切都是那么自然和透明。这吸引了许多研究者参与进来，一步一个脚印，利用别人做出来的东西，更进一步攀爬。
如果你做研究用到机器学习，需要站在前人的肩膀上，那PyTorch已经成为了你爬上别人肩膀的重要阶梯。
可当你信心满满，开始认真学习PyTorch时，多半会……
掉在前方的陷坑里。
想想看，为什么网上为初学者展示深度学习“多么简单”的文章，举的例子除了Keras就是fast.ai，而不是PyTorch？
因为PyTorch学起来，确实没有它们那样简便。
障碍
你要学习PyTorch，会遇到哪些问题？
太多了。
篇幅所限，咱们只讲其中最大的两个坑。
首先是面向对象（Object-OrientedProgramming,OOP）。
PyTorch的代码，当然也可以写成Keras那种序列化形式。
然而对于大部分的PyTorch用户的应用场景来说，写成那样，是没有什么意义的。
因为他们中的主体，是研究者。研究者不会满足于现有结果或者重复已知模型。他们要搭建自己的模型结构，尝试做自己的实验。
如果你要深度定制自己的模型架构，甚至对于一些细节作出精妙的修改（例如对不同模型层次，使用不同学习速率），那PyTorch写出来，就会像是这个样子。
看到
class
这样的陌生关键词，你可能会觉得有些发懵——用Python有段时间了，没见过这玩意儿啊。
Python说简单很简单，因为它可以被当成脚本语言来使用。也就是用顺序、循环和判断组织起来，类似英文的操作说明。
然而，说复杂，它也可以变得非常复杂。因为它完全可以被当成面向对象语言来用。
许多标题里带着“入门”字样的PyTorch教材或者课程，往往会直接假设你已经掌握了面向对象编程的基础知识，一带而过。或者干脆告诉你，先去学习一下OOP，然后再回来继续学。
于是，你打开一本讲授面向对象编程的书，旋即被其中的“抽象”、“继承”、“封装”、“多态”等术语绕晕，轻松完成“从入门到放弃”。
其实，你根本用不着完全掌握面向对象程序设计的各种要素，就可以学PyTorch。早有WilliamFalcon等人把PyTorch的程序写法大卸八块，给了你模板。真正用的时候，你只需对着模板填空就好。
可是，一些必要的面向对象知识，还是得学。不然填空你都不知道该填的位置，容易张冠李戴。
说完了“面向对象”，咱们再说第二个坑，也就是“张量”（Tensor）。
PyTorch让许多研究者用户大呼过瘾的奥秘，其实就在于“张量”。
因为高阶API，例如Keras,甚至是fast.ai，都对张量进行了重度包裹。
用户不需要理解什么是张量，也可以做图片分类，也可以分析文本的情感。
但是，PyTorch不想惯你这种毛病。
想用它来搭建神经网络？你就必须直面张量。
你必须能够说清楚每一层输入和输出张量的样子。你必须知道怎么把你的原始数据，转换成这种样子。
这种负担，看似会惹恼或者吓走用户。然而我们看问题不能只看一面。它的好处在于，代码书写规则，一下子变得简洁和一致。
因为你早已一杆子到底，知道在PyTorch深度学习模型构建中，最本质的操作究竟是什么。你不需要别人每次都为你提供高层API包裹的拐棍。
你可以随时知道怎么完成各种操作。例如怎样修改设置细节。遇到意想不到的问题，也能了解如何高效查错。
可是要理解张量，并不像Pandas数据框那么简单而直观。
你会看到不少PyTorch的书籍和教程，都干脆指引你去学会numpy。然后告诉你，PyTorch可以近似看成numpy的一个轻量包裹。作者其实，是在寄希望于你能自学好一大块知识结构，并且还可以触类旁通。
你怎么通？
从头学numpy？还是更进一步，把线性代数也学一遍？
这样做，听起来没有问题。打牢基础是好事儿嘛。但是，你可能真的等不及。
你可能是想要复现一篇论文里的结果，并且进行调整改进。
等你耐下性子，东一榔头西一棒子，学完了刚才说过的好几门基础课，别人的论文早就发出来了。
大多数时候，科学界只奖励先到者。第二名不会有任何的功劳（credit）。
况且，如果能这样学完，你至少还掌握了一项技能。
更大的可能，是你在自学相关知识体系的途中跌倒了，再也没有爬起来。
痛点
为什么PyTorch初学者，会遭遇这些困境？
因为现有的教程，大多与你不匹配。
甚至就连PyTorch的预期用户，也和你不匹配。
PyTorch的设计，显然不是为了完全不懂编程的普通用户。按照作者原先的预想，只有学过了线性代数、科学计算、数据结构和面向对象程序设计的专业人士，才是它的核心用户群体。
然而，深度学习的突破进展，像一个黑洞，吸引力异常强大。它把许多从来没有学过编程的人，都裹挟了进来。
在机器学习日新月异的进展下，太多领域存在着低垂的果实。只要你学会了应用现有深度学习工具，稍加改进就可以采摘到它们。
这种诱惑，你能抵挡吗？
对这个突然冒出来的人群，现有的教材和教程，很难做出足够快速和必要的调整。所以你学起来，会很吃力。
那么，作为一个非计算机类专业出身的研究者，你需要什么样的教程呢？
它应该至少有以下两个特点：
一站式样例导向所谓一站式，就是别只顾给出链接和线索，让读者东奔西走，甚至还得自己寻找相关的学习资源。遇到某个知识点，例如面向对象，或者张量，试图从头到尾完整学习体系知识，显然效率不高。做深度学习需要用到的，就该认真掰开揉碎讲清楚；暂时用不到的，就根本先不要提，免得让学习者被一下子涌来的信息淹没掉。
所谓样例导向，就是能有实际的例子，让学习者跟着作者讲解的进程，轻松上手操作实践。有些知识点，只要上手了，练过，犯过错，你立即就能明白其中的关窍。你从而迅速掌握，并且建立宝贵的成就感。反之，如果只是给你凭空灌输一系列的概念，或许能让你听着好像懂得了。可真正要用的时候，你立即就会感受到什么叫“书到用时方恨少”。
满足上述两个必要条件的合适教程，有吗？
教程
不好找。
要满足上述两点，教程的编写者就需要长期的技能培养和打磨。技能不仅包括对于PyTorch本身的深入理解和掌握，还得充分理解初学者的需求，知道如何把握讲授的进度和节奏。
这还不够。作者还得寻找合适的样例，用形象化的方式表述抽象概念，甚至是用动态的效果展示张量操作与权重变化……这些，都需要耗费大量宝贵的时间。
大部分机器学习领域的教材和教程，在编写的时候，都有严格的时间进度限制。这个领域，一直是高强度竞争性。大家生怕自己的东西发布晚了，别人抢占先机，所以很难有足够的耐心。东西做到60分，能有一定合适的阅读学习群体，那还不赶紧发布？等什么？
另外，拥有这种技能的作者，往往机会成本非常高。能够全心全意投入教学，而不选择拿着自己高超的深度学习应用技能出去赚快钱，也非易事。
我最开始学PyTorch时，尝试了若干主流MOOC平台，还见识了不少网红教师的教程。可惜，不仅学得效率低，过程也很痛苦。
后来，我终于找到一套视频课程，真的可以满足上述两点要求。
譬如说，它将张量和面向对象知识的介绍，包含在了课程里面。作者用浅明易懂的例子，让你了解必要概念和技能后，迅速上手。
为了让你能够做一个图像分类深度学习模型，作者真的精心设计，帮你把它拆分成若干前后联系紧密的模块，一一娓娓道来。
视频中使用了不少特效和动画。例如帮助你理解一张图片如何转化成张量，如何经由你自行构造的模型加以转化，最终支持机器判断类别，以及如何计算损失，迭代改进，让你的分类模型越变越聪明。
甚至，对于为什么GPU可以加速深度学习，都有专门的章节，给你娓娓道来。
每一个视频，大约都是10分钟-20分钟的长度。足够慢慢谈透一个知识点，也不会让你觉得疲倦。
大部分视频，都结合代码来介绍。你可以打开GoogleColab或者KaggleNotebook，利用免费的GPU，尝试自己建构和运行。
视频末尾，还总是有一些有趣的彩蛋。为了不剥夺你的乐趣，就不剧透了，你自己看。
为了保证视频的品质，这套教程精细打磨。从年秋天开始发布第一个视频起，一直持续更新了一年多的时间，才算全部制作完毕。
我学的时候，看教程是很愉快的。但是等候更新如同追剧，总是让人觉得时间过得太慢，很难熬。
好消息是，你现在不用等了。因为该教程所有的篇章都已齐备。你只需学就好了。
羡慕你。
在我的