PyTorch-Tutorial-2nd: ein Buch als Repository, mit CV-, NLP- und Deployment-Kapiteln

Ein Lehrbuch, das als Repository ausgeliefert wird

Das Repository beschreibt sich selbst als Begleitmaterial zur zweiten Auflage der «PyTorch实用教程». Das README nennt drei Teile: 上篇 (Grundlagen), 中篇 (Anwendungen) und 下篇 (Deployment). Der erste Teil richtet sich laut README an Einsteiger, Nicht-Informatiker und Studierende. Behandelt werden Umgebungsaufbau, Daten, Modelle, Optimierung und Visualisierung, am Ende steht der Bau einer eigenen Code-Struktur. Der zweite Teil weitet das auf CV, NLP und LLM aus, der dritte auf ONNX und TensorRT inklusive PTQ- und QAT-Quantisierung. Das ist der Kern: kein einzelnes Werkzeug, sondern ein Curriculum, das den Bogen von Grundlagen bis zur Auslieferung schlagen will. Die Primärsprache des Repositorys ist Jupyter Notebook, was zum Format passt. Der Leser bekommt keinen installierbaren Code, sondern Kapitel, die man öffnet und durcharbeitet.

Warum das Format zugleich Stärke und Bruchstelle ist

Notebooks erlauben es, Theorie und lauffähigen Code im selben Dokument zu halten. Genau das verspricht das README mit «理论与实践结合». Der Preis dafür ist, dass Notebooks schlecht versionierbar und schlecht testbar sind. Es gibt in dem Material keinen Hinweis auf automatisierte Tests der Notebook-Ausführung. Wer ein Notebook aus dem CV-Teil öffnet, muss selbst herausfinden, welche Abhängigkeiten in welcher Version nötig sind. Die Kapitel sind nach Aufgaben geordnet, nicht nach einer Bibliotheksstruktur: 图像分类, 图像分割, 目标检测, 目标跟踪, GAN, Diffusion, Bildbeschreibung und Bildsuche im CV-Teil; RNN, LSTM, Transformer, BERT und GPT mit Textklassifikation, maschineller Übersetzung, NER, QA und Textgenerierung im NLP-Teil. Diese Aufzählung stammt aus dem README, nicht aus einer Durchsicht der Notebooks. Wer wissen will, wie tief ein einzelnes Thema geht, muss das jeweilige Notebook selbst öffnen.

Der Deployment-Teil ist der eigentliche Grund, dieses Repository zu lesen

Viele PyTorch-Einführungen enden beim Training. Das README geht weiter: der dritte Teil behandelt ONNX und TensorRT, dazu PTQ (Post-Training Quantization) und QAT (Quantization Aware Training). Das ist der Teil, der in der Praxis weh tut, weil ein trainiertes Modell in PyTorch noch kein ausgeliefertes Modell ist. Der Weg über ONNX als Zwischenformat und TensorRT als Laufzeit ist ein etablierter Pfad, und das README benennt ihn explizit. Was das Material nicht liefert, ist eine Garantie, dass die Beispiele auf jeder Hardware laufen. TensorRT bindet an NVIDIA-GPUs und an eine bestimmte Version. Wer eine andere Version installiert hat, muss mit Anpassungen rechnen. Das ist keine Schwäche des Buches, sondern eine Eigenschaft der Werkzeugkette, die es beschreibt.

LLM-Kapitel: vier Modelle, ein Anwendungsfall

Im LLM-Teil nennt das README vier in China entwickelte Modelle: Qwen, ChatGLM, Baichuan und Yi. Dazu kommt ein Anwendungsbeispiel, GPT Academic. Das ist eine Momentaufnahme. Die genannten Modelle erscheinen in den Topics des Repositorys (qwen, llm), und der letzte Push liegt laut Metadaten im September 2026, die letzte Veröffentlichung v1.0.0 dagegen im Mai 2024. Zwischen diesen beiden Daten liegt mehr als ein Jahr. Wer heute ein LLM-Deployment plant, sollte deshalb nicht davon ausgehen, dass die im Buch gezeigten Modellversionen noch die aktuellen sind. Der Wert dieses Teils liegt eher in der Vorgehensweise: ein Modell laden, eine Inferenzkette aufbauen, eine Anwendung darum bauen. Die konkreten Modellnamen altern, das Muster nicht.

Wie man es tatsächlich startet

Das Repository liefert keine Installationsanleitung für ein Paket, weil es keines ist. Der Einstieg läuft über die Online-Version unter https://tingsongyu.github.io/PyTorch-Tutorial-2nd/ oder über einen Klon des Repositorys. Danach öffnet man die Notebooks mit Jupyter. Für den Deployment-Teil ist zusätzlich eine Umgebung mit ONNX und TensorRT nötig; TensorRT setzt eine NVIDIA-GPU und passende Treiber voraus. Konkrete Versionsnummern oder eine requirements-Datei nennt das bereitgestellte Material nicht. Das ist eine echte Lücke: bei einem Lehrbuch, das Quantisierung und Inferenz-Beschleunigung behandelt, wäre eine gepinnte Umgebungsbeschreibung hilfreich, weil genau dort Versionskonflikte entstehen. Wer das Repository produktiv nachbauen will, muss diese Liste selbst erstellen. Ein Hinweis auf die Community: das README nennt QQ-Gruppen, deren Zugangscode über eine Datei im Schwester-Repository PyTorch_Tutorial zu finden ist. Das ist ein ungewöhnlicher Weg, aber er ist dokumentiert.

Die Lizenz ist der härteste Filter

Das README gibt an, dass das Werk unter der Creative Commons Attribution-NonCommercial 4.0 International (CC BY-NC 4.0) steht. Der Repository-Metadatensatz führt die Lizenz als unbekannt. Für die Praxis zählt die Angabe im README: Namensnennung ja, kommerzielle Nutzung nein. Wer den Code in ein Produkt überführen will, muss das klären, bevor er Zeit investiert. Das ist keine Rechtsberatung, sondern eine Beobachtung der Lizenzangabe. Der Unterschied zu einem Repository unter MIT oder Apache-2.0 ist erheblich: dort ist die kommerzielle Nutzung ausdrücklich erlaubt. Hier ist sie es nach der genannten Lizenz nicht. Für Lernzwecke, für Lehrveranstaltungen und für die interne Weiterbildung ohne Produktbezug ist das unproblematisch. Für ein Unternehmen, das die Notebooks als Basis für ein ausgeliefertes Modell nutzen will, ist es ein Ausschlusskriterium, solange keine andere Vereinbarung getroffen wird.

Was hier fehlt, und was stattdessen passt

Der offensichtliche Vergleich ist die offizielle PyTorch-Dokumentation. Deren Stärke ist die Referenz: jede API, jede Signatur, englischsprachig und versioniert. Dieses Repository ist das Gegenteil: ein durchgehender Lernpfad mit Anwendungsprojekten, dafür ohne Referenzcharakter und ohne Versionsgarantie. Ein zweiter Vergleich sind spezialisierte Bibliotheken wie torchvision für vortrainierte Modelle oder die ONNX- und TensorRT-Dokumentation selbst. Wer ein Modell exportieren will, findet in der ONNX-Dokumentation die vollständige Operator-Abdeckung; hier findet er den Kontext, warum der Export überhaupt nötig ist. Die Wahl hängt also vom Ziel ab. Für «ich muss eine Funktion nachschlagen» ist das Repository zu grob. Für «ich will verstehen, wie ein Modell von der Idee bis zur ausgelieferten Inferenz kommt» ist es geeigneter als eine API-Referenz, weil es die Zwischenschritte zeigt, die in Referenzen fehlen. Die Wartungslage ist dabei schwer einzuschätzen: es gibt eine Veröffentlichung v1.0.0 vom Mai 2024 und spätere Commits, aber das README dokumentiert auch frühere Unterbrechungen über Monate. Ein Buchprojekt hat naturgemäß andere Aktualisierungszyklen als eine Bibliothek.

Für wen sich der Aufwand lohnt

Der Aufwand besteht nicht im Installieren, sondern im Durcharbeiten. Das Material ist chinesischsprachig; wer die Sprache nicht liest, kann die Notebooks ausführen, aber die Erklärungen nicht nutzen. Wer Chinesisch liest und den Bogen von Grundlagen bis Deployment in einem Stück lernen will, bekommt hier eine Struktur, die sonst über mehrere Quellen verteilt ist. Wer dagegen schnell ein einzelnes Problem lösen muss, etwa einen fehlerhaften ONNX-Export debuggen, wird in der offiziellen ONNX- oder TensorRT-Dokumentation schneller fündig. Ein letzter Punkt zur Prüfung vor dem Einstieg: ob die Notebooks mit der eigenen CUDA- und TensorRT-Version zusammenpassen. Das Repository beantwortet diese Frage nicht, und genau daran entscheidet sich, ob der Deployment-Teil für den Leser nutzbar ist oder nur lesbar.

Redaktionelles Fazit

Wer PyTorch systematisch von den Grundlagen bis zur Inferenz-Deployment-Kette durcharbeiten will und Chinesisch liest, findet hier ein zusammenhängendes, dreiteiliges Curriculum mit lauffähigem Notebook-Code. Wer eine englischsprachige Referenz, eine schlanke Bibliothek oder eine kommerziell nutzbare Vorlage sucht, ist hier falsch: die Lizenz ist CC BY-NC 4.0, also nicht-kommerziell, und das Repository ist ein Lehrbuchbegleiter, kein Paket. Vor dem Einstieg sollte man prüfen, ob die Notebooks der eigenen Umgebung entsprechen (CUDA-Version, TensorRT-Version) und ob die Lizenz zur geplanten Nutzung passt.

Offizielle Quellen

1. Issues
2. Project website
3. README
4. Releases
5. TingsongYu/PyTorch-Tutorial-2nd on GitHub