适读人群 ：本书非常适合知道如何在 Python 中编程并了解深度学习基础知识的读者。本书面向具有传统机器学习实践经验，或希望在实践中探索深度学习世界并将其实现部署到生产中的开发人员。本书是一本深度学习实践指南，聚焦于PyTorch深度学习各场景的动手实现，不涉及模型层面的原理剖析。书中通过大量示例及代码，详细展示如何使用PyTorch构建深度学习模型原型、构建深度学习工作流和将原型用于生产。 全书共7章。第1章介绍使用PyTorch进行深度学习的方法和PyTorch的基本API；第2章演示如何构建一个简单神经网络；第3章深入探讨深度学习工作流和PyTorch生态系统；第4章介绍基于PyTorch构建的CNN；第5章介绍RNN并探讨序列数据处理；第6章详细介绍生成对抗网络（GAN）；第7章介绍强化学习；第8章介绍将PyTorch应用于生产的三种不同方法。

随着深度学习在计算机视觉、自然语言处理、语音识别及分割领域的日益火爆，对于算法从业人员来说，熟练掌握并应用一种深度学习框架已成为推荐技能。在众多深度学习框架中，目前主流的是PyTorch和TensorFlow。尽管TensorFlow在工业界的应用有诸多优势，但依然有很多研究人员从TensorFlow转向PyTorch。PyTorch以其易于调试、具有动态计算图等特性备受学术界关注。关于PyTorch和TensorFlow的框架之争从未停止过。工业应用更倾向于TensorFlow，而学术研究更倾向于PyTorch。学术研究人员关心的是研究中算法迭代速度有多快，其应用场景通常是在相对较小的数据集上，优选的因素不是性能，而是快速实现并验证假设的能力。相反，工业界认为性能是需要优先考虑的。譬如预测耗时降低10ms对于优化用户体验意义重大，但对于研究人员来说基本没有太大意义。另外，PyTorch框架也在逐渐演进，以弥补其在生产应用上的劣势，在2018年年末，PyTorch 引入了即时编译器（JIT）和TorchScript。其中，JIT可以将PyTorch程序转换为一种名为TorchScript的中间表征（IR）。TorchScript 是PyTorch的图表征。一旦PyTorch模型处于其中间表征状态，我们就获得了图模式的所有好处。我们可以在不依赖 Python 的情况下，在 C++ 环境中部署PyTorch模型，或者对其进行优化，从而使PyTorch在深度学习各场景中有更大的应用空间。本书聚焦PyTorch深度学习各场景的动手实现，不涉及模型层面的原理剖析。读者可以基于本书提供的知识快速实现CNN、RNN、生成对抗网络等神经网络。

译者序 前言 作者简介 审校者简介 第1章　深度学习回顾和PyTorch简介1 11　PyTorch的历史2 12　PyTorch是什么3 121　安装PyTorch4 122　PyTorch流行的原因5 13　使用计算图7 131　使用静态图8 132　使用动态图11 14　探索深度学习13 15　开始编写代码22 151　学习基本操作22 152　PyTorch的内部逻辑28 16　总结31 参考资料32 第2章　一个简单的神经网络33 21　问题概述33 22　数据集34 23　新手模型38 24　PyTorch方式49 241　高阶API50 242　functional模块55 243　损失函数57 244　优化器57 25　总结59 参考资料59 第3章　深度学习工作流60 31　构思和规划61 32　设计和实验62 321　数据集和DataLoader类62 322　实用程序包65 33　模型实现75 34　训练和验证79 35　总结86 参考资料 86 第4章　计算机视觉87 41　CNN简介87 42　将PyTorch应用于计算机视觉90 421　简单CNN90 422　语义分割99 43　总结112 参考资料112 第5章　序列数据处理114 51　循环神经网络简介114 52　问题概述116 53　实现方法116 531　简单RNN117 532　高级RNN130 533　递归神经网络137 54　总结141 参考资料142 第6章　生成网络143 61　方法定义144 62　自回归模型145 621　PixelCNN147 622　WaveNet153 63　GAN161 631　简单GAN161 632　CycleGAN168 64　总结173 参考资料173 第7章　强化学习175 71　问题定义177 72　回合制任务与连续任务178 73　累积折扣奖励179 74　马尔可夫决策过程180 75　解决方法182 751　策略和价值函数182 752　贝尔曼方程183 753　深度Q学习184 754　经验回放186 755　Gym186 76　总结194 参考资料194 第8章　将PyTorch应用到生产195 81　使用Flask提供服务196 82　ONNX202 83　使用TorchScript提高效率215 84　探索RedisAI218 85　总结222 参考资料223

谢林·托马斯（Sherin Thomas） 的职业生涯始于信息安全专家，后来他将工作重心转移到基于深度学习的安全系统。他曾帮助全球多家公司建立AI流程，曾就职于初创公司CoWrks。他目前正在从事多个开源项目，包括PyTorch、RedisAI等，并领导TuringNetwork.ai的开发。他还专注于为奥罗比克斯（Orobix）分拆公司[tensor]werk建设深度学习基础设施。苏丹舒·帕西（Sudhanshu Passi） 是CoWrks的技术专家。在CoWrks，他一直是机器学习的一切相关事宜的驱动者。在简化复杂概念方面的专业知识使他的著作成为初学者和专家的理想读物。在业余时间，他还会在当地的游泳池内计算水下梯度下降。 译者简介马恩驰　京东算法总监，现任京东算法智能应用部负责人，负责智能营销算法在业务中的应用。曾就职于阿里巴巴达摩院-人工智能实验室，负责语音搜索架构升级和搜索算法优化工作。在搜索推荐领域有10年的算法经验，主要研究方向为自然语言处理、知识图谱、智慧营销等。主导编写和翻译了《TensorFlow自然语言处理》《PyTorch深度学习实战》《应用预测建模》《智慧运营》等书籍。