怎样看pytorch源码最有效？
点击上方“计算机视觉工坊”，选择“星标”
干货第一时间送达
现在深度学习项目代码量越来越大，并且单个文件的量也非常的大。笔者总结了一些专家的经验并结合自己看的一些项目，打算总结一下如何探索和深入一个深度学习项目库。
1. 基础知识
首先，需要保证有一定的深度学习基础知识，吴恩达的深度学习课还有斯坦福大学的CS231n都是不错的入门教程，只需要有大学数学的基础就可以看懂。
然后，需要对Linux系统使用有一定的了解，一般选择Ubuntu系统作为主力系统，了解一下基础的系统命令就可以了，比如rm,ls,cd,cat,vim,sudo,find,df,top等，在B站上搜索一下Linux的视频，很快就可以入门。之后遇到新的命令只需要查询API即可。
其次，还需要保证对python语言和深度学习框架的了解，python上手是很快的，可以看一下菜鸟教程或者莫烦python教程，上首页很快。深度学习框架方面可以买一些书籍，边看边敲，找一个小项目敲一敲，了解一下大部分API就已经达到上手水平了。深度学习框架一般选tensorflow、pytorch，因为大部分项目大多是基于这两个框架的。他们官方网站的教程也是非常不错的参考，可以看看官方提供的教程，跑一下github上提供的demo。
最后，营造科研的环境，可以关注一些领域相关的大牛、公众号，也可以加入一些交流群，多和群友交流，尽可能提升领域的常识。不要乱问问题，一定要有自己的思考和想法，然后再到群里问问题和交流。
2. 项目分析阅读
从Github上拿到一个项目，可以按照以下的步骤进行分析和阅读。
项目背景调研：
项目是否是对应一篇论文？如果对应论文，可以先阅读一下Paper，对背景和项目的细节有一个大概的了解。
项目是否有说明文档？一般比较大型的项目，比如pytorch,nni,mmdetection等较多人维护的项目是会在readthedoc上提供说明书，建议优先阅读说明。
项目是否有README？README文件通常包含了项目创建者想要告诉你的信息，对于一些专业的项目库而言，阅读README文件绝对对你理解整个项目代码有帮助。
什么都没有？？极少数会遇到这种情况，但如果遇到的话，就进行下一个阶段吧。
通过文件命名分析：
数据处理、数据加载部分，通常命名可能有xxx_dataloader.py等
网络模型构建部分，通常命名可能为 resnet20.py model.py等
训练部分脚本，通常命名可能为train.py等
测试部分脚本，通常命名可能为test.py eval.py 等
工具库，通常命名为utils文件夹。
根据文件夹、文件的命名，判断其可能的功能。一般在深度学习项目中，通常有几部分组成：
举个例子，以once for all项目为例：
.
├── build.sh # 环境构建
├── eval_ofa_net.py
├── eval_specialized_net.py # 验证专用网络
├── figures
│ ├── cnn_imagenet_new.png
│ ├── diverse_hardware.png
│ ├── imagenet_80_acc.png
│ ├── ofa-tutorial.jpg
│ ├── overview.png
│ └── video_figure.png
├── LICENSE
├── ofa
│ ├── imagenet_classification
│ │ ├── data_providers # 数据加载
│ │ ├── elastic_nn # 算法核心模块
│ │ ├── __init__.py
│ │ ├── networks # 网络构建
│ │ └── run_manager # 训练代码核心逻辑
│ ├── __init__.py
│ ├── model_zoo.py # 模型库
│ ├── nas # nas相关工具
│ │ ├── accuracy_predictor
│ │ ├── efficiency_predictor
│ │ ├── __init__.py
│ │ └── search_algorithm
│ ├── tutorial # 教程
│ │ ├── accuracy_predictor.py
│ │ ├── evolution_finder.py
│ │ ├── flops_table.py
│ │ ├── imagenet_eval_helper.py
│ │ ├── __init__.py
│ │ └── latency_table.py
│ └── utils # 工具库
│ ├── common_tools.py
│ ├── flops_counter.py
│ ├── __init__.py
│ ├── layers.py
│ ├── my_dataloader
│ ├── my_modules.py
│ ├── pytorch_modules.py
│ └── pytorch_utils.py
├── README.md # 项目介绍，初次接触需要阅读
├── requirements.txt # 环境文件
├── setup.py # pip构建环境所需文件
├── train_ofa_net.py # 训练脚本
└── tutorial # 教程├── local_lut.npy├── ofa.ipynb├── ofa_resnet50_example.ipynb└── README.md找到程序运行入口：
第一类bug，环境不兼容导致的bug，严格按照作者提供的运行环境，并对照环境的版本信息，对齐本地环境和作者要求的环境。
第二类bug，深度学习框架带来的bug，这部分bug可以在bing上进行搜索，查看解决方案。
第三类bug，项目本身相关的bug，这类bug最好是在github的issue区域进行查找，如果无法解决可以在issue部分详细描述自己的问题，等待项目库作者的解答。
通过上一步的分析，找到了项目的介绍的话，在自己机器上完成环境配置。
一般可以找到项目运行的主入口，比如train.py，试着运行项目。
遇见bug怎么办？
运行顺利的话，代表可以进行debug操作，对文件某些细节不确定的话，可以通过debug的方式查看变量详细内容。
用IDE打开项目：
阅读入口文件的逻辑，查看调用到了哪些包。
通过IDE的功能跳转到对应类或者函数进行继续阅读，配合代码注释进行分析。
分析过程可能会需要软件工程的知识，比如画一个类图来表述项目的关系。
一开始可以泛读，大概了解整体流程，做一些代码注释。而后可以精读，找到文章的核心，反复理解核心实现，抽丝剥茧，一定可以对这个项目有进一步的理解。
笔者是vscode党，推荐使用vscode+scp+mobaxterm+远程服务器的方式进行运行。
打开项目以后，从运行入口（通常是train.py）开始阅读：
实在读不懂怎么办？
在Github的issue上进行提问。
如果有项目作者的联系方式，可以联系作者，发邮件提问。
看看有没有其他人写过相关的博客。
3. 参考
https://www.zhihu.com/question/26480537
https://www.zhihu.com/question/29416073/answer/44301979
https://github.com/phodal/articles/issues/14
本文仅做学术分享，如有侵权，请联系删除。
下载1
在「计算机视觉工坊」公众号后台回复：深度学习，即可下载深度学习算法、3D深度学习、深度学习框架、目标检测、GAN等相关内容近30本pdf书籍。
下载2
在「计算机视觉工坊」公众号后台回复：计算机视觉，即可下载计算机视觉相关17本pdf书籍，包含计算机视觉算法、Python视觉实战、Opencv3.0学习等。
下载3
在「计算机视觉工坊」公众号后台回复：SLAM，即可下载独家SLAM相关视频课程，包含视觉SLAM、激光SLAM精品课程。
重磅！计算机视觉工坊-学习交流群已成立
扫码添加小助手微信，可申请加入3D视觉工坊-学术论文写作与投稿 微信交流群，旨在交流顶会、顶刊、SCI、EI等写作与投稿事宜。
同时也可申请加入我们的细分方向交流群，目前主要有ORB-SLAM系列源码学习、3D视觉、CV&深度学习、SLAM、三维重建、点云后处理、自动驾驶、CV入门、三维测量、VR/AR、3D人脸识别、医疗影像、缺陷检测、行人重识别、目标跟踪、视觉产品落地、视觉竞赛、车牌识别、硬件选型、深度估计、学术交流、求职交流等微信群，请扫描下面微信号加群，备注：”研究方向+学校/公司+昵称“，例如：”3D视觉 + 上海交大 + 静静“。请按照格式备注，否则不予通过。添加成功后会根据研究方向邀请进去相关微信群。原创投稿也请联系。
▲长按加微信群或投稿
▲长按关注公众号
3D视觉从入门到精通知识星球：针对3D视觉领域的视频课程（三维重建系列、三维点云系列、结构光系列、手眼标定、相机标定、orb-slam3等视频课程）、知识点汇总、入门进阶学习路线、最新paper分享、疑问解答五个方面进行深耕，更有各类大厂的算法工程人员进行技术指导。与此同时，星球将联合知名企业发布3D视觉相关算法开发岗位以及项目对接信息，打造成集技术与就业为一体的铁杆粉丝聚集区，近2000星球成员为创造更好的AI世界共同进步，知识星球入口：
学习3D视觉核心技术，扫描查看介绍，3天内无条件退款
圈里有高质量教程资料、可答疑解惑、助你高效解决问题
