py主要用途是爬蟲、反爬蟲、解析資料、量化模型等，常見大廠、遊戲網路公司。

小白學習主要是系統教學影片內容，跟著操作，找不到就需要買，或者上培訓班，大量碼農生產代工廠。

程式語言累，入門接觸是會艱澀難懂，比較好入門語言PHP，語法類似英文，比較好上手。

會簡單程式設計時候，可以到公司實習，多積累操作才會慢慢成長。

當然，這些都是一個過程，貴在堅持還有看個人學習能力。

加油⛽️。

兩條路，一個是拿著人家的程式碼，一行行抄，一條條理解，做完一次再來，一直到理解了設計的邏輯思路；另一條路是找一個小專案，上手去做，有困難就查資料寫筆記，全部拿下來水平就完全不一樣了

我是從爬取某豆小姐姐照片開始的，先下載一些別人做的簡單Python爬蟲，一行行註釋，觀察執行結果，理解程式碼含義。不懂的地方就谷歌百度簡書csdn，然後試著做一些小指令碼，放到全球最大的男性交友平臺，要的就是那種成就感，玩多了就會了，切記不要想著速成，挫敗感會澆滅任何激情和興趣。

最後如果是想速成靠這個求職賺錢，放棄吧。

pytorch框架學習相比tensorflow簡單太多了。一個是supervised learning，一個是reinforcement learning。基本上看官網doc，還有tutorial，examples，非常直觀。無所謂高效不高效。而且很多功能如果你不實現實際的應用，不會考慮到。所以還是實踐出真知。

自己寫一個dataset基礎版mnist、cifar，中級版pascal、mscoco，高階版distributed imagenet？與此同時可能需要學會如何寫data sampler, data augmentation自己搭一個model基礎版lenet，中級版resnet、densenet，高階版。。。這一部分擴充套件挺多，參考Cadene/pretrained-models.pytorch, 裡面實現了很多cv的模型，是torchvision的擴充套件版。自己也可以學著寫，換著寫。高階版我沒想好，因為可以從不同角度考慮。由於是dynamic graph，所以可以實現很多計算過程中改變模型的操作。比如實現AutoML裡面的architecture search就是很好的鍛鍊。另外從分散式考慮，pytorch1.0很好的提供了DistributedParallel，但是更好的實踐是參考NVIDIA出的apex，裡面還包括fp16運算實踐。自己寫個trainer基礎版mnist、cifar，中級版imagenet，高階版CycleGAN這一部分是鍛鍊訓練流程處理，如何將data、model、optimizer、logger結合起來。pytorch給的example倒是十分粗放，直接train、test倆函式，optimizer、model全域性可見。但有些時候train不是按照epoch來做lr schedule，test也不是隻在train一次結束後開始。寫一個trainer，組織一下，同時控制管理logging、model checkpoint。像CycleGAN這類的多個model複雜互動的，一個函式寫下來太醜了。這裡首推junyanz/pytorch-CycleGAN-and-pix2pix，清晰簡潔明瞭，多個工作一脈相承，行雲流水。同時還可以學習GAN的寫法，學習detach用法，類似於tf的stop gradient。

然後題主就可以根據自己需要點技能樹了。如果是搞NLP，這個我不敢妄言，但是可以參考huggingface/pytorch-pretrained-BERT, 將最新的bert模型轉成pytorch，而且裡面包括了很多nlp任務的實踐寫法。如果搞detection、segmentation之類cv工程的，現在基於pytorch框架很多，首推fair和cuhk的。如果搞底層運算實現，直接研讀原始碼。輕量c++擴充套件實踐參考官方tutorial。

學習是一個長久的過程，不能遇到困難就停止了，語言堅持，那個人學習的方法不太一樣，有的人喜歡看影片，有的人喜歡看書，B站，CSDN，知乎等等都有很多教學影片，可以參考學習，小編學習python ，都是直接實戰，自己去做專案，在專案中遇到問題，就去百度，或者google ，待這些問題解決後，推薦把自己的學習解決方法也記錄下來，釋出網上，這樣自己也學習了，為別人也鋪好了路，關於python ，小編也寫了很多文章可以參考學習