学习资源系列之《Python深度学习基于PyTorch》

 

---

前言

近期应部分读者朋友的强烈邀请，希望推荐一本python深度学习实操的书籍。

呐，今天为大家推荐小编偶然发现的这一本珍藏好书：《Python深度学习基于PyTorch》，文末附电子版获取方式

---

---

《Python深度学习基于PyTorch》

Brief Introduction

前言

面对众多的深度学习框架，对于初学者而言，如何做出选择是一个重要的问题。他们需要在易上手与工业实际应用之间取得平衡。在这个问题上，毋庸置疑，PyTorch是一个理想的选择。一方面，PyTorch天然地与Python融合，这极大地降低了深度学习的学习门槛。另一方面，它的受欢迎程度仅次于TensorFlow，并且正在迎头赶上，但相对于TensorFlow，PyTorch的学习曲线更加平滑。

当前市面上有许多关于深度学习的书籍，其中也不乏基于PyTorch的著作。然而，已有的这些书籍要么质量良莠不齐，要么所涵盖的技术版本已经过时。因此，本书的核心目标在于"帮助读者从容踏入深度学习领域，轻松理解其中的理论知识和实践方法，实现从初学到高级阶段的顺畅转变"。

本书概要：

在人工智能时代，迅速掌握核心领域之一——深度学习，是每个希望进入这一领域的人都面临的挑战。当前市面上涌现了众多深度学习框架，例如TensorFlow、PyTorch、Keras、FastAI、CNTK等，而每个框架都具有独特的优势与不足。面对这样多的选择，我们如何进行抉择？是否存在一些指导原则来帮助我们做出决策？个人认为，最佳选择应当是最适合自身需求的选择。

对于初学者而言，我建议首选PyTorch。随着基础的逐步打牢，读者可以深入学习其他架构，例如TensorFlow、CNTK等。我认为选择PyTorch作为初学者的主要原因大致如下：

1. PyTorch采用动态计算图的方式，更加贴合Python的编程风格。此外，PyTorch还与Python共享许多Numpy的命令，因此学习起来更加轻松，比起TensorFlow更为容易上手。

2. PyTorch要求明确定义网络层以及参数更新等关键步骤，这对于深度学习核心原理的理解至关重要。而尽管Keras同样易于上手，但其封装程度较高，隐藏了许多关键步骤。

3. PyTorch的动态图机制在调试方面非常便利。一旦计算图出现问题，可以迅速定位并解决。与Python的调试方式相似，PyTorch通过断点检查能够高效地排除问题。

4. PyTorch的受欢迎程度仅次于TensorFlow。近一年来，PyTorch在GitHub上的关注度和贡献者数量与TensorFlow几乎持平。加上FastAI的支持，PyTorch的热度持续攀升，必定会赢得越来越多机器学习从业者的喜爱。

深度学习是人工智能的核心，随着大量相关项目的落地，人们对深度学习的兴趣也持续上升。不过掌握深度学习却不是一件轻松的事情，尤其是对机器学习或深度学习的初学者来说，挑战更多。为了广大人工智能初学者或爱好者能在较短时间内掌握深度学习基础及利用 PyTorch解决深度学习问题，本书作者花了近一年时间打磨该书的内容构造，在内容选择、安排和组织等方面采用了如下方法。

(1)内容选择:广泛涉猎+精讲+注重实战

深度学习涉及面比较广，且有一定门槛。没有一定广度很难达到一定深度，所以本书内容基本包括了机器学习、深度学习的主要内容。书中各章一般先简单介绍相应的架构或原理，帮助读者理解深度学习的本质。当然，如果只有概念、框架、原理、数学公式的介绍，可能就显得有点抽象或乏味，所以，每章都配有大量实践案例，通过实例有利于加深对原理和公式的理解，同时有利于把相关内容融会贯通。

(2)内容安排:简单实例开始+ 循序渐进

深度学习是一块难啃的硬骨头，对有一定开发经验和数学基础的从业者是这样，对初学者更是如此。其中卷积神经网络、循环神经网络、对抗式神经网络是深度学习的基石同时也是深度学习的 3 大硬骨头。为了让读者更好地理解掌握这些网络，我们采用循序渐进的方式，先从简单特例开始，然后逐步介绍更一般性的内容，最后通过一些 PyTorch代码实例实现之，整本书的结构及各章节内容安排都遵循这个原则。此外，一些优化方法也采用这种方法，如对数据集 Cifar10 分类优化，先用一般卷积神经网络，然后使用集成方法、现代经典网络，最后采用数据增加和迁移方法，使得模型精度不断提升，由最初的68%，上升到74%和90%，最后达到95%左右。

(3)表达形式:让图说话，一张好图胜过千言万语

在机器学习、深度学习中有很多抽象的概念、复杂的算法、深奥的理论等，如 Numpy的广播机制、梯度下降对学习率敏感、神经网络中的共享参数、动量优化法、梯度消失或爆炸等，这些内容如果只用文字来描述，可能很难达到使读者茅塞顿开的效果，但如果用一些图形来展现，再加上适当的文字说明，往往能取得非常好的效果，正所谓一张好图胜过千言万语。

除了以上谈到的3 个方面，为了帮助大家更好理解、更快掌握机器学习、深度学习这些人工智能的核心内容，本书还包含了其他方法。我们希望通过这些方法方式带给你不一样的理解和体验，使抽象数学不抽象、深度学习不深奥、复杂算法不复杂、难学的深度学习也易学，这也是我们写这本书的主要目的。

至于人工智能(AI)的重要性，我想就不用多说了。如果说 2016 年前属于摆事实论证的阶段，2017 年和2018 年是事实胜于雄辩的阶段，那么2019 年及以后就进入百争流奋者先的阶段。目前各行各业都忙于“AI+”，大家都希望通过 AI来改造传统流程、传统结构、传统业务、传统架构，其效果犹如历史上用电改造原有的各行各业一样。

《Python深度学习基于PyTorch》一书通过把理论原理与代码实现相结合；找准切入点，从简单到一般。把复杂问题简单化；图文并茂使抽象问题直观化;实例说明使抽象问题具体化。希望通过阅读本书，能给你新的视角、新的理解，甚至更好的未来。

本书的章节设置：

本书分为三部分，共16章。

• 第一部分(第1~4章)为 PyTorch 基础，这也是本书的基础，为后续章节的学习打下个坚实的基础。第1章介绍 Python 和 PyTorch 的基石 Numpy；第2章介绍 PyTorch 基础；第3-4章分别介绍PyTorch构建神经网络工具箱和数据处理工具箱等内容。

• 第二部分(第5~8章)为深度学习基本原理，为本书的核心部分，包括机器学习流程、常用算法和技巧等内容。第5章为机器学习基础，也是深度学习基础，其中包含很多机器学习经典理论、算法和方法等内容；第6章为视觉处理基础，介绍卷积神经网络的相关概念、原理及架构等内容，并用 PyTorch 实现多个视觉处理实例；第7章介绍自然语言处理基础，重点介绍循环神经网络的原理和架构，同时介绍了词嵌人等内容，然后用 PyTorch实现多个自然语言处理、时间序列方面的实例；第8章介绍生成式深度学习相关内容，具体包括编码器一解码器模型、带注意力的编码器-解码器模型、对抗式生成器及多种衍生生成器，同时用PyTorch 实现多个生成式对抗网络实例。

• 第三部分(第9~16 章)为实战部分，也即前面两部分的具体应用部分，这部分在介绍相关原理、架构的基础上，用PyTorch 具体实现了多个深度学习的典型实例，最后介绍了强化学习、深度强化学习等内容。具体各章节内容为:第9章用 PyTorch 实现人脸检测和识别；第10章用 PTorch 实现迁移学习，并举出迁移学习结合数据增强等实例；第11章用PvTorch实现中英文互译；第12章多个生成式网络实例；第13章主要介绍如何进行模型迁移；第14章介绍对抗攻击原理及 PyTorch 实现对抗攻击实例；第15、16章介绍了强化学习、深度强化学习等基础及多个强化学习实例。

小编近期也在学习这本书，教学老师也认为该书不错，书中有例子、有代码、有代码编写经验，可谓是初学者深度学习入门的藏经阁。相信，这次推荐的《Python深度学习基于PyTorch》不会让和小编有同样苦恼的小伙伴失望！！！

书籍内页赏析

总结

看到这里你还不心动吗？

赶紧点击《Python深度学习基于PyTorch.pdf》下载电子版书籍，领取你的专属福利吧~

好啦，以上就是今天推文的全部内容啦！

今天的分享就到这里啦~