本书用浅显易懂的语言，图文并貌地讲解了深度学习的基础知识，从如何挑选硬件到神经网络的初步搭建，再到实现图片识别、文本翻译、强化学习、生成对抗网络等多个目前*流行的深度学习应用。书中基于目前流行的PyTorch框架，运用Python语言实现了各种深度学习的应用程序，让理论和实践紧密结合。
文章阅读量10万 的作者倾力打造的一份超简单PyTorch入门教程，适合所有想要了解深度学习和PyTorch的人群。 更适合小白的思路与讲解方式：从硬件挑选、系统配置开始，图文并茂，手把手教你搭建神经网络。 内容涵盖图片识别、文本翻译、强化学习、生成对抗网络等流行的深度学习应用。
曾?M壹，现为中山大学数据科学与计算机学院在读硕士，主要研究兴趣有深度学习、语音识别、推荐系统、自动犯罪侦查等。熟悉C、C 、Java、Python等多种程序设计语言、Flask建站技术以及PyTorch、TensorFlow深度学习框架，在简书上写了多篇PyTorch的文章，深受读者欢迎。
第 一部分 基础篇
第 1章 准备工作 2
1.1 硬件配置 2
1.2 在Mac OS X系统下配置PyTorch运行环境 6
1.3 在Ubuntu系统下配置PyTorch运行环境 8
1.4 在Windows系统下配置PyTorch运行环境 14
第 2章 Tensor基础 17
2.1 Tensor 17
2.2 Autograd 30
第3章 深度学习基础 35
3.1 机器学习 35
3.2 线性回归 38
3.3 非线性回归 53
3.4 逻辑回归 58
3.5 多元分类 66
3.6 反向传播 70
3.7 卷积神经网络 72
3.8 手写字体识别 78
3.9 fastai手写字体识别 86
第二部分 实战篇
第4章 迁移学习 90
4.1 经典图像模型 90
4.2 迁移学习实战 100
4.3 使用fastai实现迁移学习 109
第5章 序列转序列模型 111
5.1 循环神经网络模型 111
5.2 神经翻译机简介 119
5.3 利用PyTorch构造神经翻译机 122
第6章 生成对抗网络 138
6.1 生成对抗网络概览 138
6.2 使用生成对抗网络生成二次元头像 142
6.3 使用TorchGAN生成二次元头像 149
第7章 深度强化学习 153
7.1 深度强化学习 153
7.2 基于策略的算法 155
7.3 基于值的算法 157
7.4 Gym简介 161
7.5 Q-Learning实战 163
第8章 风格迁移 168
8.1 风格迁移原理 168
8.2 风格迁移实践 174
第三部分 高级篇
第9章 PyTorch扩展 184
9.1 自定义神经网络层 184
9.2 C 加载PyTorch模型 189
第 10章 PyTorch模型迁移 193
10.1 ONNX简介 193
10.2 使用ONNX将PyTorch模型迁移至Caffe2 196
10.3 使用ONNX将PyTorch模型迁移至Core ML 199
第 11章 PyTorch可视化 201
11.1 使用visdom实现PyTorch可视化 201
11.2 使用TensorBoard实现PyTorch可视化 213
11.3 使用Netron显示模型 221
第 12章 PyTorch的并行计算 223
12.1 多进程 223
12.2 多GPU并行计算 231
书单推荐
