HisStar / scratch-pytorch-step-by-step

教你只用最基本的python语法和numpy一步步实现深度学习框架

scratch-pytorch-step-by-step

这个项目旨在一步步教你实现一个语法风格类似于PyTorch的深度学习框架。虽然PyTorch的底层是用C语言实现的，但考虑到完全还原可能会增加学习门槛，本教程将使用Python的基础语法和NumPy来实现深度学习领域的一些基础算法，包括但不限于反向传播、随机梯度下降、Adam优化器、Dropout层等。本项目还会介绍如何实现包括CNN、RNN、LSTM、ResNet、Transformer等在内的模型。

目录

章节	内容	完成度
1.1	Python的基本数据类型	✅
1.2	Python中的条件控制语句	✅
1.3	Python中的函数和类的声明和使用	✅
1.4	Numpy这个Python包的用法	✅
2.1	用线性回归的方式拟合一个曲线，均方差损失函数	✅
2.2	实现张量的基本计算，sigmoid，tanh，relu激活函数，反向传播算法，随机梯度下降	✅
2.3	将张量的支持范围扩充到矩阵，Adam梯度下降，网络模型的可视化	✅
2.4	全连接网络模型，模型信息打印	✅
3.1	卷积神经网络，卷积层，池化层，Dropout层	⬜
3.2	AlexNet网络的实现	⬜
3.3	矩阵拼接，循环神经网络的实现	✅
3.4	长短期记忆网络的实现	✅
3.5	残差网络的实现	✅
3.6	用pytorch从头到尾实现transformer模型	✅
3.7	用mytorch从头到位实现transformer模型	⬜
3.8	实现mamba模型	⬜

主程序

在 mytorch source code文件目录下

待办事项

To do list	完成度
实现cuda版的矩阵运算	⬜
实现cuda版的反向传播	⬜
实现cuda版Flash Attention	⬜
实现cuda版4bit，1bit量化	⬜

如何贡献

欢迎所有对深度学习感兴趣的人士贡献力量！无论是修复bug、添加新特性还是改进文档，您的帮助都是我前进的动力。

1. Fork本仓库。
2. 创建您的功能分支 (git checkout -b feature/AmazingFeature)。
3. 提交您的更改 (git commit -m 'Add some AmazingFeature')。
4. 将您的更改推送到GitHub (git push origin feature/AmazingFeature)。
5. 创建一个新的Pull Request。

创建问题

遇到问题或有好的建议？请不犹豫，通过创建一个issue来让我知道。我会尽力解决问题，欢迎任何形式的反馈。

社区参与

• 如果你觉得这个项目对你有帮助，不妨给它一个Star✨！
• 分享给更多的朋友，让更多的人了解和参与进来。

许可证

本项目根据Apache License 2.0许可证授权。

致谢

本项目的灵感来源于Andrej Karpathy的micrograd项目。我们对他在深度学习教育领域所做的贡献表示深深的感谢。