PyTorch-Tutorial-2nd : un manuel en trois parties, du tenseur au moteur TensorRT

Un livre avant d'être une bibliothèque

Le point de départ est simple : ce dépôt n'est pas un paquet installable. Le README le présente comme le support du livre 《PyTorch实用教程》（第二版）, avec une lecture en ligne gratuite et le code associé. La langue principale déclarée est Jupyter Notebook, ce qui veut dire que le matériau principal est une collection de carnets, pas un module Python que vous importeriez dans un projet existant. Le public visé est explicite dans le README : les autodidactes de l'IA, les chefs de produit, les étudiants et les personnes venant d'un autre domaine. C'est donc un matériau pédagogique, avec la contrainte que cela implique : il faut suivre un ordre, celui des chapitres, et non piocher une fonction isolée. Si vous cherchez une référence d'API à consulter au hasard, ce n'est pas le bon objet.

La structure en trois parties et ce qu'elle implique

Le README découpe l'ouvrage en trois parties nommées 上篇, 中篇 et 下篇. La première traite des bases : présentation de PyTorch, installation de l'environnement, données, modèles, optimisation, visualisation, puis construction d'une structure de code personnelle. La deuxième couvre les applications industrielles sur trois axes. En vision par ordinateur, huit tâches sont annoncées : classification, segmentation, détection d'objets, suivi d'objets, génération GAN, génération par diffusion, légendage d'images et recherche d'images. En traitement du langage, cinq tâches : classification de texte, traduction automatique, reconnaissance d'entités nommées, questions-réponses et génération d'articles, avec des modèles RNN, LSTM, Transformer, BERT et GPT. En LLM, le README annonce quatre déploiements et analyses de code de modèles ouverts chinois (Qwen, ChatGLM, Baichuan, Yi) plus une application, GPT Academic. La troisième partie quitte l'entraînement pour ONNX et TensorRT, avec un traitement détaillé de la quantification, PTQ et QAT. Cette progression est cohérente, mais elle suppose un lecteur qui avance du début à la fin. Prendre le chapitre TensorRT sans avoir vu la partie sur les modèles revient à lire une recette sans savoir cuisiner.

Comment le matériau est organisé dans le dépôt

Le format carnets a une conséquence pratique : chaque chapitre est un fichier exécutable, et non une page de documentation statique. Le dépôt contient aussi un dossier asset, cité dans le README pour la couverture du livre et les animations de démonstration des projets CV, NLP et LLM. Un script scripts/gen_star_history.py génère le graphique d'historique des étoiles, rafraîchi par un workflow GitHub Actions toutes les sept semaines selon la note du README (le texte dit 每7天, soit tous les sept jours). Ce détail n'a aucun rapport avec la qualité du contenu pédagogique, mais il indique que le dépôt est maintenu activement. Le README signale également un groupe QQ de lecteurs, avec plusieurs salons indiqués comme pleins, et un mot de passe d'entrée à récupérer dans un fichier de code d'un autre dépôt. C'est un mode de support communautaire, pas un canal de support technique.

Mise en route : ce que le README permet réellement de faire

Il faut être direct : le README fourni ne contient aucune commande d'installation, aucun fichier de dépendances, aucune clé de configuration. Il donne deux URL, la lecture en ligne sur tingsongyu.github.io/PyTorch-Tutorial-2nd/ et le dépôt lui-même, plus une invite à mettre une étoile au projet. Les seuls éléments techniques nommés sont les frameworks et les modèles : PyTorch pour l'entraînement, ONNX et TensorRT pour le déploiement, Qwen, ChatGLM, Baichuan et Yi pour les LLM, YOLOv5 et DeepSORT dans les sujets du dépôt. Toute procédure d'installation doit donc être cherchée dans les carnets eux-mêmes, pas dans le README. C'est une lacune réelle pour un lecteur qui veut évaluer le coût de mise en route avant de s'engager : impossible, à partir de ce seul document, de savoir quelles versions de PyTorch, de CUDA ou de TensorRT sont attendues. La version publiée v1.0.0, datée du 20 mai 2024 et intitulée v1.0.0-PDF-epub-发布, correspond à une sortie du livre en PDF et epub, pas à une version logicielle figée.

La licence, et pourquoi elle change le calcul

Le README indique que l'œuvre est publiée sous licence Creative Commons Attribution - Pas d'Utilisation Commerciale 4.0 International (CC BY-NC 4.0). Ce n'est pas une licence de logiciel comme MIT ou Apache 2.0 : elle porte sur l'œuvre, et la clause NC exclut l'exploitation commerciale. Pour un ingénieur qui veut reprendre un notebook de détection d'objets dans un produit interne vendu à des clients, la question se pose immédiatement et le README n'y répond pas. Le champ licence du dépôt est d'ailleurs indiqué comme inconnu dans les métadonnées, ce qui signifie que GitHub n'a pas su la classer automatiquement. Je ne donne pas d'avis juridique : le point concret est que si votre usage est commercial, il faut lire le texte de la licence et, le cas échéant, demander une autorisation à l'auteur avant de réutiliser le code.

La limite principale : l'ampleur du périmètre

Le README revendique huit tâches de vision, cinq tâches de NLP, quatre modèles de langage déployés, plus ONNX, TensorRT, PTQ et QAT. Sur un seul dépôt, cela représente beaucoup de surface. Un manuel de cette étendue ne peut pas traiter chaque sujet à la profondeur d'un ouvrage spécialisé : le chapitre sur la quantification, par exemple, doit tenir en quelques sections là où un livre dédié y consacrerait des centaines de pages. Le risque pour le lecteur est de croire qu'il maîtrisera TensorRT après avoir parcouru la troisième partie, alors qu'il en aura vu une introduction appliquée. Deuxième limite, plus terre à terre : la barrière de la langue. Le contenu est en chinois, et un lecteur non sinophone devra s'appuyer sur la traduction automatique des carnets, ce qui devient fragile dès qu'il s'agit de nuances de code ou de commentaires d'erreurs. Enfin, rien dans le matériau fourni ne permet de savoir si les carnets sont testés en intégration continue, ni sur quel matériel ils ont été exécutés. Le workflow GitHub Actions mentionné ne concerne que le graphique d'historique des étoiles.

Face à quoi on le compare

L'alternative la plus évidente est la documentation officielle de PyTorch, complétée par les tutoriels du site pytorch.org. La différence de conception est nette : la documentation officielle est une référence par API, organisée pour la consultation ponctuelle, et elle est maintenue au rythme des versions du framework. Ce dépôt est un parcours ordonné, organisé pour la progression, et sa cohérence dépend de la mise à jour des carnets au fil des versions. Autre différence : la documentation officielle ne couvre pas TensorRT ni la quantification PTQ et QAT de bout en bout, alors que ce dépôt en fait une partie entière. Inversement, elle ne dépend pas d'un auteur unique ni d'une licence non commerciale. Pour un lecteur anglophone qui veut apprendre PyTorch sans changer de langue, la documentation officielle et les tutoriels restent le chemin le plus court ; pour quelqu'un qui veut voir un enchaînement complet entraînement puis déploiement sur des modèles chinois, ce dépôt propose un parcours que la documentation officielle n'offre pas au même endroit.

Maintenance et coût de suivi

Le dépôt n'est pas archivé et le dernier envoi date du 8 septembre 2026, ce qui indique une activité récente. La version publiée v1.0.0 remonte au 20 mai 2024, donc l'écart entre la publication du livre et les mises à jour du code est de plus de deux ans : cela suggère que le dépôt continue de vivre après la sortie de l'ouvrage, mais le README ne détaille pas de politique de mise à jour ni de journal des modifications. Le coût de suivi pour un lecteur est double. D'abord, les dépendances : PyTorch, ONNX et TensorRT évoluent à des rythmes différents, et un carnet écrit pour une version donnée peut demander des ajustements. Ensuite, les modèles : les chapitres LLM s'appuient sur Qwen, ChatGLM, Baichuan et Yi, dont les poids et les interfaces changent souvent. Le README ne donne aucune indication sur la manière dont ces dépendances sont épinglées. Le tableau des interruptions de rédaction, présent dans l'annexe et barré, montre par ailleurs que le projet a connu plusieurs pauses longues entre 2022 et 2023, ce qui est une information honnête sur le rythme de production, pas un défaut en soi.

Conclusion éditoriale

Ce dépôt convient à ceux qui apprennent le chinois technique et veulent un parcours continu allant du tenseur jusqu'à la quantification TensorRT, avec des notebooks exécutables plutôt qu'une documentation d'API. Il ne convient pas à un lecteur qui cherche une référence anglophone, une API stable à importer, ou un support commercial. Avant de vous engager, vérifiez trois choses : le fichier de licence dans le dépôt lui-même (le README cite CC BY-NC 4.0, ce qui exclut l'usage commercial), la version de PyTorch attendue par les notebooks que vous voulez ouvrir, et la disponibilité des poids des modèles Qwen, ChatGLM, Baichuan et Yi que les chapitres LLM supposent téléchargés.

Sources officielles

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