将理论与实战结合。本书以使用PyTorch实现深度学习的全流程为主线，针对常见的各类深度神经网络，通过图文并茂的方式介绍其原理，并通过实例介绍了具体的PyTorch实现方式。
以应用为导向。本书针对深度学习的常见应用，如文字识别、文本生成和图像风格转换等，从背景介绍到原理分析，再到任务案例的具体流程，让读者明确如何利用所学知识来解决问题，并通过实训和课后习题巩固所学知识，真正理解并能够应用所学知识。
注重启发式教学。全书大部分章节以一个例子为开端，注重对于读者思路的启发与解决方案的实施。通过对深度学习任务的全流程的体验，让读者真正理解并掌握深度学习的相关技术。

本书以PyTorch深度学习的常用技术与真实案例相结合的方式，深入浅出地介绍使用PyTorch实现深度学习应用的重要内容。本书共7章，内容包括深度学习概述、PyTorch深度学习通用流程、PyTorch深度学习基础、手写汉字识别、文本生成、基于CycleGAN的图像风格转换、基于TipDM大数据挖掘建模平台实现文本生成等。本书大部分章包含实训和课后习题，希望通过练习和操作实践，帮助读者巩固所学的内容。
本书可以作为高等学校数据科学与大数据技术或人工智能相关专业的教材，也可作为深度学习爱好者的自学用书。

第1章 深度学习概述 1
1.1 深度学习简介 1
1.1.1 深度学习的定义 1
1.1.2 深度学习的常见应用 2
1.2 深度学习与应用领域 9
1.2.1 深度学习与计算机视觉 9
1.2.2 深度学习与自然语言处理 10
1.2.3 深度学习与语音识别 11
1.2.4 深度学习与机器学习 12
1.2.5 深度学习与人工智能 13
1.3 PyTorch简介 14
1.3.1 各深度学习框架对比 14
1.3.2 PyTorch生态 16
1.3.3 PyTorch特点 17
1.3.4 PyTorch安装 17
1.4 PyTorch中的预训练模型 23
1.4.1 预训练模型的概念 23
1.4.2 预训练模型的使用场景 24
1.4.3 PyTorch预训练模型的调用方法 25
小结 26
课后习题 26
第2章 PyTorch深度学习通用流程 28
2.1 数据加载与预处理 29
2.1.1 数据加载 29
2.1.2 数据预处理 30
2.1.3 加载及预处理猫狗分类数据 37
2.2 构建网络 42
2.2.1 常用的网络构建方法 42
2.2.2 激活函数 46
2.2.3 构建基于卷积神经网络的猫狗分类网络 50
2.3 编译网络 53
2.3.1 损失函数 53
2.3.2 优化器 56
2.3.3 编译基于卷积神经网络的猫狗分类网络 59
2.4 训练网络 60
2.4.1 迭代次数 60
2.4.2 批训练 61
2.4.3 训练基于卷积神经网络的猫狗分类网络 61
2.5 性能评估 62
2.5.1 评估指标 62
2.5.2 评估基于卷积神经网络的猫狗分类模型的性能 63
小结 66
实训 CIFAR-10图像分类 66
课后习题 67
第3章 PyTorch深度学习基础 68
3.1 卷积神经网络基础 68
3.1.1 常用的卷积神经网络算法及其结构 68
3.1.2 卷积神经网络中的常用网络层 72
3.1.3 基于卷积神经网络的手写数字识别 87
3.2 循环神经网络基础 97
3.2.1 常用的循环神经网络算法及其结构 97
3.2.2 循环神经网络中的常用网络层 101
3.2.3 基于LSTM网络的时间序列分析 111
3.3 生成对抗网络基础 115
3.3.1 常用的生成对抗网络算法及其结构 115
3.3.2 基于生成对抗网络的手写数字图像生成 119
小结 126
实训1 基于卷积神经网络的人脸表情识别 126
实训2 基于循环神经网络的文本情感分类 126
实训3 基于生成对抗网络的人物图片生成 127
课后习题 127
第4章 手写汉字识别 129
4.1 目标分析 129
4.1.1 背景 129
4.1.2 分析目标 130
4.1.3 项目工程结构 131
4.2 加载数据 132
4.2.1 定义生成图像集路径文档的函数 132
4.2.2 定义读取并转换图像数据格式的类 133
4.2.3 加载图像数据 134
4.3 构建网络 135
4.4 编译网络 137
4.5 训练网络 138
4.6 性能评估 138
4.7 模型预测 140
小结 140
实训 手写中文数字识别 141
课后习题 141
第5章 文本生成 142
5.1 目标分析 142
5.1.1 背景 142
5.1.2 分析目标 143
5.1.3 项目工程结构 143
5.2 文本预处理 144
5.2.1 处理数据 144
5.2.2 创建字典 145
5.2.3 生成序列 146
5.3 构建网络 148
5.3.1 定义文本生成类的构造方法 149
5.3.2 初始化权重 150
5.3.3 设置数据在网络中的流动方向 151
5.4 训练网络 153
5.4.1 设置配置项 153
5.4.2 执行训练 154
5.4.3 定义文本生成器 156
5.5 结果分析 159
小结 160
实训 基于LSTM网络的文本生成 160
课后习题 161
第6章 基于CycleGAN的图像风格转换 162
6.1 目标分析 162
6.1.1 背景 162
6.1.2 分析目标 163
6.1.3 项目工程结构 164
6.2 数据准备 164
6.3 构建网络 166
6.3.1 残差网络 167
6.3.2 生成器 167
6.3.3 判别器 169
6.3.4 缓存队列 170
6.4 训练网络 171
6.5 结果分析 175
小结 176
实训 基于CycleGAN实现冬天与夏天的图像风格转换 176
课后习题 177
第7章 基于TipDM大数据挖掘建模平台实现文本生成 178
7.1 平台简介 178
7.1.1 共享库 180
7.1.2 数据连接 180
7.1.3 数据集 180
7.1.4 我的工程 181
7.1.5 个人组件 184
7.2 实现文本生成 184
7.2.1 配置数据源 185
7.2.2 文本预处理 187
7.2.3 构建网络 189
7.2.4 训练网络 191
7.2.5 结果分析 195
小结 197
实训 通过TipDM平台实现基于LSTM网络的文本生成 197
课后习题 197