本書用淺顯易懂的語言，圖文并貌地講解了深度學習的基礎知識，從如何挑選硬件到神經網絡的初步搭建，再到實現圖片識別、文本翻譯、強化學習、生成對抗網絡等多個目前*流行的深度學習應用。書中基于目前流行的PyTorch框架，運用Python語言實現了各種深度學習的應用程序，讓理論和實踐緊密結合。
文章閱讀量10萬 的作者傾力打造的一份超簡單PyTorch入門教程，適合所有想要了解深度學習和PyTorch的人群。 更適合小白的思路與講解方式：從硬件挑選、系統(tǒng)配置開始，圖文并茂，手把手教你搭建神經網絡。 內容涵蓋圖片識別、文本翻譯、強化學習、生成對抗網絡等流行的深度學習應用。
曾?M壹，現為中山大學數據科學與計算機學院在讀碩士，主要研究興趣有深度學習、語音識別、推薦系統(tǒng)、自動犯罪偵查等。熟悉C、C 、Java、Python等多種程序設計語言、Flask建站技術以及PyTorch、TensorFlow深度學習框架，在簡書上寫了多篇PyTorch的文章，深受讀者歡迎。
第 一部分 基礎篇
第 1章 準備工作 2
1.1 硬件配置 2
1.2 在Mac OS X系統(tǒng)下配置PyTorch運行環(huán)境 6
1.3 在Ubuntu系統(tǒng)下配置PyTorch運行環(huán)境 8
1.4 在Windows系統(tǒng)下配置PyTorch運行環(huán)境 14
第 2章 Tensor基礎 17
2.1 Tensor 17
2.2 Autograd 30
第3章 深度學習基礎 35
3.1 機器學習 35
3.2 線性回歸 38
3.3 非線性回歸 53
3.4 邏輯回歸 58
3.5 多元分類 66
3.6 反向傳播 70
3.7 卷積神經網絡 72
3.8 手寫字體識別 78
3.9 fastai手寫字體識別 86
第二部分 實戰(zhàn)篇
第4章 遷移學習 90
4.1 經典圖像模型 90
4.2 遷移學習實戰(zhàn) 100
4.3 使用fastai實現遷移學習 109
第5章 序列轉序列模型 111
5.1 循環(huán)神經網絡模型 111
5.2 神經翻譯機簡介 119
5.3 利用PyTorch構造神經翻譯機 122
第6章 生成對抗網絡 138
6.1 生成對抗網絡概覽 138
6.2 使用生成對抗網絡生成二次元頭像 142
6.3 使用TorchGAN生成二次元頭像 149
第7章 深度強化學習 153
7.1 深度強化學習 153
7.2 基于策略的算法 155
7.3 基于值的算法 157
7.4 Gym簡介 161
7.5 Q-Learning實戰(zhàn) 163
第8章 風格遷移 168
8.1 風格遷移原理 168
8.2 風格遷移實踐 174
第三部分 高級篇
第9章 PyTorch擴展 184
9.1 自定義神經網絡層 184
9.2 C 加載PyTorch模型 189
第 10章 PyTorch模型遷移 193
10.1 ONNX簡介 193
10.2 使用ONNX將PyTorch模型遷移至Caffe2 196
10.3 使用ONNX將PyTorch模型遷移至Core ML 199
第 11章 PyTorch可視化 201
11.1 使用visdom實現PyTorch可視化 201
11.2 使用TensorBoard實現PyTorch可視化 213
11.3 使用Netron顯示模型 221
第 12章 PyTorch的并行計算 223
12.1 多進程 223
12.2 多GPU并行計算 231
書單推薦
