Coleção de exemplos em Jupyter Notebook que implementam diversas arquiteturas de deep learning e técnicas de treinamento em PyTorch e TensorFlow.
17,6 mil4,1 milJupyter NotebookMITAtualizado mês passado
mrdbourke/pytorch-deep-learning
Curso online gratuito e prático, com foco em código, e coleção de notebooks para aprender deep learning com PyTorch, dos fundamentos à implantação de modelos.
- Estrelas
- 19,370
- Forks
- 5,238
- Issues abertas
- 150
- Último commit
- mês passado
O que é?
Este repositório reúne os materiais do curso "Learn PyTorch for Deep Learning", da Zero to Mastery. O conteúdo está organizado em dez notebooks numerados do Google Colab, cada um com código comentado, imagens, slides e exercícios com soluções. As seções vão dos fundamentos do PyTorch e do fluxo de treinamento à classificação com redes neurais, visão computacional, conjuntos de dados personalizados, scripts Python modulares, transfer learning, acompanhamento de experimentos, replicação de artigos e implantação de modelos.
O curso segue um formato de aprendizagem prática: o instrutor escreve código em PyTorch e os alunos acompanham, escrevendo junto. Todo o material também está publicado como livro online em formato de leitura no learnpytorch.io, e as cinco primeiras seções estão disponíveis em um vídeo longo no YouTube. Ao longo do curso, um único projeto de classificador de imagens, o FoodVision, serve de exemplo para três projetos de marco.
O curso é voltado a iniciantes em machine learning que tenham alguma experiência com Python e familiaridade com notebooks Jupyter ou Google Colab. Também inclui uma folha de consulta rápida do PyTorch, um tutorial rápido sobre o PyTorch 2.0 e uma lista de recursos adicionais para aprender.
Recursos principais
- 01Dez notebooks sequenciais que abordam PyTorch desde os fundamentos de tensores até a implantação de modelos.
- 02Cada seção inclui exercícios, soluções e sugestões de conteúdo complementar.
- 03O código pode ser executado no Google Colab, com a opção de usar Jupyter localmente.
- 04Versão gratuita em formato de livro online disponível em learnpytorch.io.
- 05Inclui uma folha de consulta rápida do PyTorch e uma introdução ao PyTorch 2.0.
Casos de uso
- Aprender PyTorch do zero, como iniciante em machine learning.
- Acompanhar um curso prático para criar um classificador de visão computacional com transfer learning.
- Estudar como organizar código PyTorch em scripts Python modulares.
- Praticar o acompanhamento de experimentos e a implantação de modelos com um projeto completo de exemplo.
Início rápido
- 1
Abra o livro on-line em learnpytorch.io e escolha uma seção
- 2
Clique no botão Open in Colab na parte superior da seção
- 3
Pressione SHIFT+Enter algumas vezes para executar as células de código
Antes de usar
- O material do curso foi desenvolvido principalmente para ser executado no Google Colab, então a configuração local não é o caminho principal.
- Foi desenvolvido para iniciantes, portanto pode não ser adequado para desenvolvedores com bastante experiência em aprendizado de máquina.
Em coleções
Tópicos
Perguntas frequentes
- O que é pytorch-deep-learning?
- Curso online gratuito e prático, com foco em código, e coleção de notebooks para aprender deep learning com PyTorch, dos fundamentos à implantação de modelos. Este repositório reúne os materiais do curso "Learn PyTorch for Deep Learning", da Zero to Mastery. O conteúdo está organizado em dez notebooks numerados do Google Colab, cada um com código comentado, imagens, slides e exercícios com soluções. As seções vão dos fundamentos do PyTorch e do fluxo de treinamento à classificação com redes neurais, visão computacional, conjuntos de dados personalizados, scripts Python modulares, transfer learning, acompanhamento de experimentos, replicação de artigos e implantação de modelos.
- pytorch-deep-learning é gratuito? Qual é a licença?
- pytorch-deep-learning é open source sob a licença MIT. Confira os termos da licença antes de usá-lo em produtos comerciais.
- pytorch-deep-learning ainda é mantido?
- Atualizado nos últimos 6 meses. O último commit de pytorch-deep-learning foi em 27 de set. de 2026.
- Para que posso usar pytorch-deep-learning?
- Aprender PyTorch do zero, como iniciante em machine learning. Acompanhar um curso prático para criar um classificador de visão computacional com transfer learning. Estudar como organizar código PyTorch em scripts Python modulares. Praticar o acompanhamento de experimentos e a implantação de modelos com um projeto completo de exemplo.
- Como instalar pytorch-deep-learning?
- Abra o livro on-line em learnpytorch.io e escolha uma seção Clique no botão Open in Colab na parte superior da seção Pressione SHIFT+Enter algumas vezes para executar as células de código
- Onde consigo pytorch-deep-learning?
- O código-fonte e as instruções de instalação estão no GitHub: https://github.com/mrdbourke/pytorch-deep-learning
Resumo gerado por IA a partir do README do projeto. As estatísticas do GitHub são atualizadas diariamente.
Projetos relacionados
Tutorial prático para iniciantes sobre como treinar e implantar redes neurais de classificação de imagens com Caffe e NVIDIA DIGITS, sem precisar de experiência prévia em IA.
5,1 mil530PythonOtherAtualizado há 2 meses
Repositório em formato de curso, em chinês, sobre fundamentos matemáticos de IA, machine learning, deep learning, Transformer, BERT e estudos de caso de competições, com código comentado e datasets.
3,6 mil476Jupyter NotebookMITAtualizado há 19 dias
Livro gratuito e de código aberto, em chinês, com código complementar para aprender PyTorch, do básico a aplicações de CV, NLP e LLMs e ao deployment.
4,6 mil+3 esta semana492Jupyter NotebookSem licençaBem mantidoAtualizado há 5 dias
Código complementar do livro chinês 《PyTorch实用教程》, com fluxos de treinamento de modelos em PyTorch e exemplos executáveis em Python.
8 mil+6 esta semana1,7 milPythonSem licençaBem mantidoAtualizado há 5 dias
Um roteiro visual de aprendizado baseado em linha do tempo que acompanha as famílias de arquiteturas de deep learning e LLM, da RNN de 1986 aos modelos de raciocínio de 2025.
869+2 esta semana158TypeScriptMITAtualizado mês passado