从零搭建 PyTorch 模型，你卡在哪个环节？

很多初学者看 PyTorch 教程，总觉得“听懂了，但手写代码就报错”。这门课专门解决这个“懂了但不会写”的能力缺口。它不依赖 TensorFlow 或 Keras 的封装，而是让你直接面对张量、计算图和自动求导的本质。如果你正在备考算法岗，或者想转行做深度学习开发，却发现自己的模型构建还停留在调包阶段，这门课就是补齐底层直觉的关键一环。它假设你至少掌握 Python 基础，不需要你有复杂的数学背景，但需要你愿意动手写每一行代码，而不是只看演示。

学习路径建议：先懂机制，再学结构

建议不要按时间顺序平铺直叙地看，而是抓住三个核心模块依次突破。

首先是**基础与机制**。从张量的创建、操作开始，重点理解第 01 周关于“计算图与动态图机制”以及“autograd 自动微分”的内容。这是 PyTorch 的灵魂，不理解反向传播是如何自动通过计算图完成的，后续调参就会很盲目。结合逻辑回归的小作业，亲手实现一次梯度下降，比看十遍理论都管用。

其次是**数据流水线**。第 02 周聚焦 `Dataset` 和 `DataLoader`，以及 `transforms` 数据增强。这是很多实战中最容易踩坑的地方——维度不对、归一化没做、迭代器卡死。务必把这部分练熟，因为后续所有模型的训练都建立在这个管道之上。

最后是**模型构建与训练**。第 03 周讲解 `nn.Module` 的创建步骤、模型容器以及 AlexNet 的构建，这是从“算式”到“网络”的跨越。第 04 周深入权值初始化、优化器原理，第 05 周引入 TensorBoard 进行可视化监控。这一阶段的目标是让你能独立写出一个完整的训练循环：加载数据、前向传播、计算损失、反向传播、参数更新、可视化结果。

学完能做什么？资料如何配合？

完成本课程后，你将能够独立使用 PyTorch 从零实现一个卷积神经网络（如 AlexNet），并理解每一层背后的张量变化。你不再仅仅是调用 `model.fit()`，而是清楚每一步的数据流动和梯度来源。

资料包中的视频课程是主线，但请务必配合课件练习。每一节课后的作业（如第 01-05 周的作业讲解）都是检验是否真正理解该章节知识点的试金石。不要只看回放，要关掉视频，自己复现代码。如果遇到维度错误或不收敛的问题，回头重看对应章节的讲解，这种“查缺补漏”式的复习效果最好。

课程目录

第03周第01节课：模型创建步骤与nnModule.ts [102.3 MB]
第04周第03节.ts [159.8 MB]
第02周第02节课：transforms与normalize.ts [86.9 MB]
第05周第04节.ts [180.2 MB]
第02周第04节课：transforms（二）.ts [210.7 MB]
第04周第01节课：权值初始化.ts [97.3 MB]
第02周第03节课：transforms.ts [210.6 MB]
第03周第02节课：模型容器与AlexNet构建.ts [115.8 MB]
第01周作业讲解（3).ts [47.2 MB]
第05周第05节.ts [140.9 MB]
第01周第04节：计算图与动态图机制.ts [57.7 MB]
第01周第02节：张量简介与创建.ts [70.9 MB]
第05周第01节.ts [139.4 MB]
第06周第01节.ts [88.9 MB]
第06周第02节正则化之Dropout.ts [90.6 MB]
第01周第03节：张量操作与线性回归.ts [92.2 MB]
第02周第01节课：Dataloader与Dataset.ts [94.5 MB]
第02周作业讲解.ts [136.2 MB]
第04周第02节课.ts [156.8 MB]
课件.zip [95.5 KB]
第01周第01节：pytorch简介与安装.ts [109.1 MB]
第04周第05节.ts [111.0 MB]
第04周第04节：优化器(一).ts [96.5 MB]
第05周第02节：TensorBoard简介与安装.ts [67.1 MB]
第01周第05节：autograd与逻辑回归.ts [96.9 MB]
第01周作业讲解（1).ts [59.9 MB]
开营仪式回放-老师部分.ts [178.9 MB]
第03周第04节课.ts [88.6 MB]
第01周作业讲解（2).ts [49.0 MB]
第03周第03节课.ts [119.5 MB]
第05周第03节.ts [125.9 MB]