之前用 OpenCV 实现的一个小麦图像识别的 Android APP，但是做到第二版时， 想增加功能，发现大部分类似项目都是用 PyTorch 实现的，所以不得不换技术方案。 可是断断续续看了一个多月的 PyTorch，发现自学效果不佳，连代码都没怎么写。 可能都是在等车，或者车上看的，没有实际敲代码，所以理解不深。
PyTorch 市面上的书籍非常多，但我看的几本口碑不错的书，都是虎头蛇尾。 前面讲的挺细致，比如基础概念、一些原理之类的，还能接受。 但是，一旦到了解决实践问题的章节，需要大量代码说明的部分，就完全滥竽充数。 也不知道是为了水一本书，还是里面确实有核心的业务逻辑不舍得分享， 写书不过是为了刷知名度，增加一个招揽客户的渠道。 反正，目前没有看到一本从头到尾全是干货的 PyTorch 书籍。
B 站上那些知名大佬，感觉还不如看的几本书靠谱。可能是我基础太差，跟大佬完全没有共鸣。
学习计划
- 过一遍 PyTorch 官方文档。涉及到预测的代码部分，敲一下代码。
- 跟着 kaggle 上类似的一个项目，运行并阅读、理解其代码。
- 手头的书先放一放，不作为重点目标。可以在理解项目代码的间歇、或是零碎时间，作为补充思路的渠道。
- Android 上使用训练好的模型，对实时拍摄的图片进行预测。
学习资料
- PyTorch 官方文档
- kaggle，这个平台真是太强大了
- 《Deep Learning with PyTorch 1.x》看英文版的一个好处是更容易理解代码，毕竟名词与代码能统一起来，而且不用忍受译者的诡异翻译。这本书，前面1/3讲的非常好，也细致，非常适合我这种入门新手了解基础知识，但是后面就开始糊弄了。感觉思路一下子就断开了。在微信阅读上看的，代码排版惨不忍睹，只能去 github 上找到对应章节的代码阅读。
- 《PyTorch 深度学习实战》看的中文纸质书，看了一半看不下去了。前面野心勃勃，后面拉稀的典型。为了看懂这本书，我还专门买了本线性代数的书补基础，感觉白费。等我基础扎实一点了，再继续看吧。主要是冲着里面肿瘤识别的章节，跟我的项目有类似的地方。
- 微软官方的 PyTorch 简介 作为入门非常合适
- Neural Networks and Deep Learning
- https://builtin.com/machine-learning/backpropagation-neural-network