PyTorch是一个开源的Python机器学习库，具有灵活性强、上手速度快和易于扩展等特点。本书从PyTorch出发，通过穿插实践练习的方式介绍深度学习，使读者对相关知识的理解更加深刻。
本书共分为6章。第1章介绍了PyTorch的安装和基本操作；第2、3章介绍了深度学习的基础知识、简单的线性模型以及计算图知识；第4、5章在前文的基础上进一步扩展，介绍了各种神经网络模型；第6章介绍了PyTorch的高级特性。对于每个概念，本书均给出了一个或数个简明扼要的示例，以方便读者理解。
本书适合有一定数学基础、熟悉Python编程并对机器学习基础知识有所了解的学生或相关从业人员阅读和学习。

译者序
前　言
第1章 PyTorch 简介
1.1 什么是PyTorch
1.2 安装PyTorch
1.2.1 Digital Ocean
1.2.2 Amazon Web Services（AWS）
1.3 PyTorch的基本操作
1.3.1 默认值初始化
1.3.2 张量和NumPy数组之间的转换
1.3.3 切片、索引和重塑
1.3.4 原地操作
1.4 加载数据
1.4.1 PyTorch数据集加载器
1.4.2 使用ImageFolder类构建数据结构
1.4.3 连接数据集
1.5 小结
第2章 深度学习基础知识
2.1 机器学习的方法
2.2 学习任务
2.2.1 无监督学习
2.2.2 监督学习
2.3 特征处理文本和类别
2.4 模型
2.4.1 线性代数回顾
2.4.2 线性模型
2.5 人工神经网络感知机
2.6 小结
第3章 计算图和线性模型
3.1 自动求导计算图
3.2 线性模型
3.2.1 PyTorch中的线性回归
3.2.2 保存模型
3.2.3 逻辑回归
3.3 多分类实例
3.4 小结
第4章 卷积网络
4.1 超参数和多层级网络
4.2 基准模型
4.3 卷积网络
4.3.1 单个卷积层
4.3.2 多个卷积层
4.4 小结
第5章 其他神经网络架构
5.1 循环网络
5.1.1 循环人工神经元
5.1.2 循环网络的实现
5.2 长短期记忆网络
5.2.1 长短期记忆网络的实现
5.2.2 构建门循环单元的语言模型
5.3 小结
第6章 充分利用PyTorch
6.1 多处理器和分布式环境
6.1.1 GPU的使用
6.1.2 分布式环境
6.2 优化技术
6.2.1 优化算法
6.2.2 学习率调度器
6.2.3 参数组
6.3 预训练模型预训练模型的实现
6.4 小结