社区所有版块导航
Python
python开源   Django   Python   DjangoApp   pycharm  
DATA
docker   Elasticsearch  
aigc
aigc   chatgpt  
WEB开发
linux   MongoDB   Redis   DATABASE   NGINX   其他Web框架   web工具   zookeeper   tornado   NoSql   Bootstrap   js   peewee   Git   bottle   IE   MQ   Jquery  
机器学习
机器学习算法  
Python88.com
反馈   公告   社区推广  
产品
短视频  
印度
印度  
Py学习  »  机器学习算法

准研一,导师让学习pytroch,之前没接触过机器学习,是直接学pytorch还是先学机器学习?

AI算法科研paper • 2 月前 • 236 次点击  

我的看法是:不要搞二选一,并行学最好,但要以能跑通模型为第一目标。

因为准研一最容易踩的坑,就是不知道先学什么、学到什么程度、学完之后又该干什么。

这里我自己也整理了一份《准研一深度学习实战工具包》,里面放了PyTorch常用代码模板、深度学习实战项目、经典模型复现清单、深度学习数据集,刚好对应新手前期最容易卡住的“代码、项目、数据、复现”几个环节,拿来就能用!

如果你也是零基础准备入组,可以先收着,扫码加小享让TA无偿发你就行,下面这套路线基本可以直接照着走。

长按添加小享,回复【研一工具包】即可获取!

分享我的实操路线(四周速通版)

第一周:装好Python、PyTorch、CUDA,学会张量操作(torch.tensor、matmul)。不用深究,能跑通官方60分钟入门就行。

第二周:边看吴恩达的线性回归、逻辑回归(只看前几章),边用PyTorch手写一遍,把 nn.Linear 对应到权重,loss.backward() 对应到求导,optimizer.step() 对应到梯度下降。这一步打通理论和代码两部分。

第三周:搞懂多层感知机、激活函数、交叉熵,搭一个简单分类网络(比如全连接层识别Fashion-MNIST)。不用纠结反向传播的链式法则细节,只要先知道自动求导帮我算了就行。

第四周:找一个完整小项目(比如LeNet在手写数字上),完整走一遍:数据加载、训练、验证、画损失曲线、调参、诊断过拟合。跑通后,你基本就熟悉PyTorch套路了。

看到这里你发现没,准研一前期真正需要的就不是学完所有东西,而是先建立一个完整闭环:学概念→写代码→跑项目→看实验→复现模型→尝试修改。

所以我整理的那份工具包也没继续堆各种课程,而是按照这个闭环整理的。

这样你缺项目,就从里面挑一个;不知道用什么数据,就直接找数据集;不知道经典模型怎么入手,就按复现清单来。可以说你今天拿到,明天就能开始写代码。

理论怎么补?

不要一上来就啃西瓜书或花书了,真的很容易劝退。优先搞懂三个核心:线性回归(理解权重和损失)、逻辑回归(理解分类和激活)、多层网络(理解反向传播的大致含义)。遇到矩阵求导、概率统计卡壳时,再去B站搜相关的视频定点补,教材当字典用。

吴恩达课程可以当综述听,但不用全刷;李沐的《动手学深度学习》直接照着敲代码,比看书管用。

然后呢?

四周后,你已经有跑得通的模型了。这时候就可以去找师兄师姐问清组里GPU怎么用、代码规范是什么,然后找2~3篇近年的方向综述,挑有开源代码的经典模型(比如ResNet、ViT)复现。复现完再读论文,把别人的小改进往里加,看性能变不变。

这里要记住:读论文先看摘要,创新点能看懂就继续,看不懂直接跳过。攒两个有效改进,找导师聊,能发就赶紧发,第一次写论文会恶心到怀疑人生,但走完一遍后,后面会快很多。

最后的建议

如果你只想毕业找工作,研一可以不用太苦,多享受生活;如果想读博或卷科研,那一定别在基础理论里耗太久。计算机这行讲究“不要重复造轮子”,前人把工具封装好,就是为了让我们站在肩膀上跑得更快。基础是慢慢补的,但论文是按时要出的。

总之,上午学概念,下午写代码,晚上看实验现象,这样一个月后你既能跑模型,也能讲清原理,这才是导师想要的,别当纯调包侠,也别当纯理论家,站中间走最快。

Python社区是高质量的Python/Django开发社区
本文地址:http://www.python88.com/topic/200762