深度学习为世界上的智能系统（比如Google Voice、Siri和Alexa）提供了动力。随着硬件（如GPU）和软件框架（如PyTorch、Keras、TensorFlow和CNTK）的进步以及大数据的可用性，人们在文本、视觉和分析等领域更容易实施相应问题的解决方案。 本书对当今前沿的深度学习库PyTorch进行了讲解。凭借其易学习性、高效性以及与Python开发的天然亲近性，PyTorch获得了深度学习研究人员以及数据科学家们的关注。本书从PyTorch的安装讲起，然后介绍了为现代深度学习提供驱动力的多个基础模块，还介绍了使用CNN、RNN、LSTM以及其他网络模型解决问题的方法。本书对多个先进的深度学习架构的概念（比如ResNet、DenseNet、Inception和Seq2Seq）进行了阐述，但没有深挖其背后的数学细节。与GPU计算相关的知...(展开全部)

虽然很多深度学习工具都使用Python，但PyTorch库是真正具备Python风格的。对于任何了解NumPy和scikit-learn等工具的人来说，上手PyTorch轻而易举。PyTorch在不牺牲高级特性的情况下简化了深度学习，它非常适合构建快速模型，并且可以平稳地从个人应用扩展到企业级应用。由于像苹果、Facebook和摩根大通这样的公司都使用PyTorch，所以当你掌握了PyTorth，就会拥有更多的职业选择。本书是教你使用PyTorch创建神经网络和深度学习系统的实用指南。它帮助读者快速从零开始构建一个真实示例：肿瘤图像分类器。在此过程中，它涵盖了整个深度学习管道的关键实践，包括PyTorch张量API、用Python加载数据、监控训练以及将结果进行可视化展示。本书主要内容：（1）训练深层神经网络；（2）实现模块和损失函数；（3）使用PyTorchHub预先训练的模型；（4）探索在JupyterNotebooks中编写示例代码。

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最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。

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最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。

本书基于PyTorch，介绍日益普及的演算法与相关套件的使用，例如YOLO(物件侦测）、GAN(生成对抗网路)/DeepFake( 深度伪造)、OCR(辨识图像中的文字）、脸部辨识、BERT/Transformer 、聊天机器人 (ChatBot)、强化学习 (Reinforcement Learning)、自动语音办识 （ASR)、知识图谱 (Knowled ge Graph) 等。PyTorch是近年来最流行的深度学习框架，本书采用新的思路来带初学者来了解和使用PyTorch框架，同时带你入门深度 学习领域。本书通过独特的编排，保证读者在阅读的过程中，可以获得快速的反馈，进而激发学习的动力。

本书针对深度学习及开源框架——PyTorch，采用简明的语言进行知识的讲解，注重实战。全书分为4篇，共19章。深度学习基础篇（第1章~第6章）包括PyTorch简介与安装、机器学习基础与线性回归、张量与数据类型、分类问题与多层感知器、多层感知器模型与模型训练、梯度下降法、反向传播算法与内置优化器。计算机视觉篇（第7章~第14章）包括计算机视觉与卷积神经网络、卷积入门实例、图像读取与模型保存、多分类问题与卷积模型的优化、迁移学习与数据增强、经典网络模型与特征提取、图像定位基础、图像语义分割。自然语言处理和序列篇（第15章~第17章)包括文本分类与词嵌入、循环神经网络与一维卷积神经网络、序列预测实例。生成对抗网络和目标检测篇（第18章~第19章)包括生成对抗网络、目标检测。

本书针对深度学习及开源框架——PyTorch，采用简明的语言进行知识的讲解，注重实战。全书分为4篇，共19章。深度学习基础篇（第1章~第6章）包括PyTorch简介与安装、机器学习基础与线性回归、张量与数据类型、分类问题与多层感知器、多层感知器模型与模型训练、梯度下降法、反向传播算法与内置优化器。计算机视觉篇（第7章~第14章）包括计算机视觉与卷积神经网络、卷积入门实例、图像读取与模型保存、多分类问题与卷积模型的优化、迁移学习与数据增强、经典网络模型与特征提取、图像定位基础、图像语义分割。自然语言处理和序列篇（第15章~第17章)包括文本分类与词嵌入、循环神经网络与一维卷积神经网络、序列预测实例。生成对抗网络和目标检测篇（第18章~第19章)包括生成对抗网络、目标检测。

本书基于PyTorch，介绍日益普及的演算法与相关套件的使用，例如YOLO(物件侦测）、GAN(生成对抗网路)/DeepFake( 深度伪造)、OCR(辨识图像中的文字）、脸部辨识、BERT/Transformer 、聊天机器人 (ChatBot)、强化学习 (Reinforcement Learning)、自动语音办识 （ASR)、知识图谱 (Knowled ge Graph) 等。PyTorch是近年来最流行的深度学习框架，本书采用新的思路来带初学者来了解和使用PyTorch框架，同时带你入门深度 学习领域。本书通过独特的编排，保证读者在阅读的过程中，可以获得快速的反馈，进而激发学习的动力。

"《PyTorch深度学习入门与技术实践》介绍如何学习和使用流行的PyTorch框架开发深度学习应用，主要内容包括PyTorch中的计算图，用三阶多项式拟合函数，实现手写数字识别，神经网络基础，卷积神经网络，PyTorch基础知识，transformer架构，文本分类应用开发，聊天机器人应用开发，用Wav2Vec2进行语音识别，机器翻译应用开发，分布式PyTorch等。 《PyTorch深度学习入门与技术实践》适合作为高等院校计算机、软件工程专业本科生、研究生的参考书目，同时也适用于对PyTorch深度学习领域感兴趣的人士。 "

"《PyTorch深度学习入门与技术实践》介绍如何学习和使用流行的PyTorch框架开发深度学习应用，主要内容包括PyTorch中的计算图，用三阶多项式拟合函数，实现手写数字识别，神经网络基础，卷积神经网络，PyTorch基础知识，transformer架构，文本分类应用开发，聊天机器人应用开发，用Wav2Vec2进行语音识别，机器翻译应用开发，分布式PyTorch等。 《PyTorch深度学习入门与技术实践》适合作为高等院校计算机、软件工程专业本科生、研究生的参考书目，同时也适用于对PyTorch深度学习领域感兴趣的人士。 "