从原理到实现 — 一站式 PyTorch 深度学习实践库

339 Lessons · 8611 Model Zoo Registrations · 80 Audited Zoo Sources · 31 NumPy ML Algorithms

统一代码风格、统一训练脚手架、统一运行方式
让学习者真正能 "循序渐进跑通 → 改得动 → 能验收"

Quick Start · Learning Tracks · Model Zoo · Docs

_{① Vision — CNN / ViT 图像分类 · ② NLP — 文本分类 / NER · ③ GNN — 图神经网络 · ④ Point Cloud — 3D 点云 · ⑤ Generative — VAE / GAN · ⑥ Multimodal — VLM 视觉语言 · ⑦ LLM — 大语言模型 · ⑧ Federated — 联邦学习}

• What You'll Build
• Quick Start
• One Repository, One Contract
• Learning Path
• Learning Tracks
• Model Zoo
• ML Algorithms & Optimization
• Documentation
• Design Philosophy
• Contributing
• Citation

# 克隆仓库
git clone https://github.com/skygazer42/DL-Hub.git
cd DL-Hub
# PyTorch 的 CPU/CUDA 安装命令见下方安装指南；随后安装 Vision 赛道依赖
pip install -e ".[vision]"

# 精选冒烟测试（覆盖 8 个 track，用于验证环境）
python scripts/smoke_check.py

# 跑通第一个 lesson
python -m tracks.vision.lesson_01_mnist_lenet.train \
  --dataset fake --epochs 1 \
  --max-train-batches 2 --max-eval-batches 2

# 列出所有可运行的 lesson
python scripts/run_lesson.py --list

PyTorch 平台选择、最小安装和各赛道 extras 见 安装指南。

DL-Hub 用一条完整链路组织每个主题：问题定义 → 数据 → 模型机制 → 训练与评估 → 运行产物 → 审计证据。为了让名称和代码能力对齐，仓库把三个维度严格分开：

因此，目录改名不是把旧标签换个外壳：课程需要连接真实的任务输入、损失、指标和输出； Model Zoo 注册 ID 也不会被描述成同等数量的论文复现。完整规则、升级路径和维护命令见 实现契约：从课程到可验证系统。

不知道从哪开始？根据你的时间选择一条学习路线：

_{Step 1–8 对应：Foundations → Vision → NLP → GNN → Point Cloud → Generative → LLM → Multimodal}

每个 track 的完整 lesson 清单、CLI 示例和验收标准都在对应文档页：

所有训练 lesson 遵循统一的入口、seed、设备和 outputs/<track>/<lesson>/<run>/ 输出约定； model.py、data.py 与任务参数按课程形态组织，详见 docs/CONVENTIONS.md。

纯 PyTorch 本地实现的模型注册表，统一接口一行切换架构。完整的子系统总览、 研究方向清单和逐架构明细见 docs/zoo/：

# 列出某个 zoo 的全部架构
python scripts/vision_zoo.py --list
python scripts/nlp_zoo.py --list

# 检查模型构建与前向接口
python scripts/pointcloud_zoo.py --smoke pc:pointnet2_ssg

主题覆盖闭环（每个承诺的主题都映射到可验证的代码工件）由 dlhub/topic_coverage.py 维护， python -m pytest tests/test_topic_coverage.py 可回归校验， 明细见 docs/topic-coverage.md。

• NumPy ML Algorithms — 31 个从零手写的经典 ML 算法（线性模型 / 树 / 聚类 / 降维 / 集成）， 纯 NumPy 无框架依赖：docs/ml-algorithms/
• Optimization Toolkit — 手写优化器 / 学习率调度 / 损失函数 / 指标， 与 lesson 脚手架同一接口：docs/optimization/

完整文档站：https://skygazer42.github.io/DL-Hub（mkdocs serve 可本地预览）

              ┌───────────────────────────────────────────────────────┐
              │                   DL-Hub 设计理念                      │
              ├──────────────┬──────────────┬─────────────────────────┤
              │ Offline-first │  统一脚手架   │     可复现              │
              │ 所有 lesson   │ 共享 dlhub/  │ 种子 + 配置 + 日志      │
              │ 支持离线冒烟   │ 训练框架      │ 每次实验可追溯          │
              ├──────────────┼──────────────┼─────────────────────────┤
              │   渐进式      │  分层验证     │  Model Zoo             │
              │ 由浅入深       │ 契约 + Smoke │ 全领域统一接口          │
              │ 8 track 递进  │ 按改动精确测  │ 一行切换架构            │
              └──────────────┴──────────────┴─────────────────────────┘

页首与本页各处的统计数字由 python scripts/project_stats.py --write 自动生成， tests/test_project_stats.py 保证其与仓库实际内容一致。

欢迎贡献！无论是修复 typo、补充 lesson 还是提出新的 track 想法。

1. Fork 本仓库
2. 创建你的分支 (git checkout -b feature/amazing-lesson)
3. 遵循 docs/STYLEGUIDE.md 代码规范
4. 先运行 make verify，再为本次改动选择最小必要 pytest；涉及训练链路时才运行对应 smoke
5. 提交 PR

如果本项目对你的学习或研究有帮助，欢迎引用：

项目作者与维护者：skygazer42 <207829897@qq.com>

@misc{dlhub2026,
  title  = {DL-Hub: A Unified PyTorch Deep Learning Practice Hub},
  author = {skygazer42},
  year   = {2026},
  url    = {https://github.com/skygazer42/DL-Hub}
}

本项目采用 MIT License 开源。代码自由使用，resources/pdfs/ 下的论文版权归原作者所有。