《深度学习框架PyTorch：入门与实践》是一本非常优秀的书籍，这本书以深度学习为重点，介绍了PyTorch这一强大的深度学习框架，和TensorFlow相比，PyTorch在深度学习领域具有相当的实力，本书从多维数组Tensor的基础知识开始，逐步引导读者了解PyTorch的各种方面，除了基础知识之外，本书还包含了一些实战项目，如经典的Kaggle竞赛项目、GAN生成动漫头像、AI滤镜、RNN写诗以及图像描述任务等，通过这些实战项目，读者不仅能够理论上了解PyTorch的应用，还能够在实践中提高自己的技能，这本书是一本循序渐进、内容丰富的PyTorch入门指南，非常值得一读。
内容介绍
书从多维数组Tensor开始，循序渐进地带领读者了解PyTorch各方面的基础知识，并结合基础知识和前沿研究，带领读者从零开始完成几个经典有趣的深度学习小目，包括GAN 生成动漫头像、AI滤镜、AI 写诗等。本书没有简单机械地介绍各个函数接口的使用，而是尝试分门别类、循序渐进地向读者介绍PyTorch的知识，希望读者对PyTorch有一个完整的认识。本书内容由浅入深，无论是深度学习的初学者，还是*次接触PyTorch的研究人员，都能在学习本书的过程中快速掌握PyTorch。即使是有一定PyTorch使用经验的用户，也能够从本书中获得对PyTorch 不一样的理解。
目录
- 1 PyTorch简介
- 2 快速入门 16
- 3 Tensor和autograd 51
- 4 神经网络工具箱nn 104
- 5 PyTorch中常用的工具 136
- 6 PyTorch实战指南 165
- 7 AI插画师：生成对抗网络 198
- 8 AI艺术家：神经网络风格迁移 216
- 9 AI诗人：用RNN写诗 238
- 10 Image Caption：让神经网络看图讲故事 261
- 11 展望与未来 283
正如 PyTorch 文档所说，如果我们熟悉 NumPy 的数组，那么 Torch 张量的很多操作我们能轻易地掌握。PyTorch 提供了 CPU 张量和 GPU 张量，并且极大地加速了计算的速度。从张量的构建与运行就能体会，相比 TensorFLow，在 PyTorch 中声明张量、初始化张量要简洁地多。例如，使用 torch.Tensor(5, 3) 语句就能随机初始化一个 5×3 的二维张量，因为 PyTorch 是一种动态图，所以它声明和真实赋值是同时进行的。
神经网络是计算图的一个子类。计算图接收输入数据，数据被路由到对数据执行处理的节点，并可能被这些节点转换。在深度学习中，神经网络中的神经元（节点）通常利用参数或可微函数转换数据，这样可以优化参数以通过梯度下降将损失最小化。更广泛地说，函数是随机的，图结构可以是动态的。所以说，虽然神经网络可能非常适合数据流式编程，但PyTorch的API却更关注命令的编程 - 一种编程更常考虑的形式。这令读代代和推断复杂程序变得简单，而无需损耗不必要的性能; PyTorch速度很快，且拥有大量优化，作为终端用户你毫无后顾之忧。 本文其余部分写的是关于所著的Grokking PyTorch的内容，都是基于MINIST官网实例，应该要在学习完官网初学者教程后再查看。为便于阅读，代码以块状形式呈现，并带有注释，因此不会像纯模块化代码一 样被分割成不同的函数或文件。