PyTorch是一个机器学习框架，主要依靠深度神经网络，目前已迅速成为机器学习领域中最可靠的框架之一。本书指导读者使用Python和PyTorch实现深度学习算法。本书首先介绍PyTorch的核心知识，然后带领读者体验一个真实的案例研究项目：构建能够使用CT扫描检测恶性肺肿瘤的算法。你将学习用有限的输入训练网络，并处理数据，以获得一些结果。你将筛选出不可靠的初始结果，并专注于诊断和修复神经网络中的问题。最后，你将研究通过增强数据训练、改进模型体系结构和执行其他微调来改进结果的方法。通过这个真实的案例，你会发现PyTorch是多么有效和有趣，并掌握在生产中部署PyTorch模型的技能。
本书适合具有一定Python知识和基础线性代数知识的开发人员。了解深度学习的基础知识对阅读本书有一定的帮助，但读者无须具有使用PyTorch或其他深度学习框架的经验。

牟大恩，武汉大学硕士研究生毕业，曾先后在网易杭州研究院、掌门科技、优酷土豆集团担任高级开发工程师和资深开发工程师职务，目前就职于海通证券总部。有多年的Java开发及系统设计经验，专注于互联网金融及大数据应用相关领域。著有《Kafka入门与实践》，已提交技术发明专利两项，发表论文一篇。

第1部分 PyTorch核心
第1章 深度学习和PyTorch库简介
1.1 深度学习革命
1.2 PyTorch深度学习
1.3 为什么用PyTorch
1.4 PyTorch如何支持深度学习概述
1.5 硬件和软件要求
1.6 练习题
1.7 本章小结
第2章 预训练网络
2.1 一个识别图像主体的预训练网络
2.1.1 获取一个预先训练好的网络用于图像识别
2.1.2 AlexNet
2.1.3 ResNet
2.1.4 准备运行
2.1.5 运行模型
2.2 一个足以以假乱真的预训练模型
2.2.1 GAN游戏
2.2.2 CycleGAN
2.2.3 一个把马变成斑马的网络
2.3 一个描述场景的预训练网络
2.4 Torch Hub
2.5 总结
2.6 练习题
2.7 本章小结
第3章 从张量开始
3.1 实际数据转为浮点数
3.2 张量：多维数组
3.2.1 从Python列表到PyTorch张量
3.2.2 构造第1个张量
3.2.3 张量的本质
3.3 索引张量
3.4 命名张量
3.5 张量的元素类型
3.5.1 使用dtype指定数字类型
3.5.2 适合任何场合的dtype
3.5.3 管理张量的dtype属性
3.6 张量的API
3.7 张量的存储视图
3.7.1 索引存储区
3.7.2 修改存储值：就地操作
3.8 张量元数据：大小、偏移量和步长
……
第2部分 从现实世界的图像中学习：肺癌的早期检测
第3部分 部署