章
目
录
《深度学习入门之PyTorch》这本书由廖星宇撰写，2017年9月电子工业出版社出版。作者以过来人的经验，用适合零基础小白的方式讲解深度学习，既涵盖基础理论，又教用PyTorch搭建模型。简单实例融入前沿技术，原理讲解透彻。
作者廖星宇当时就读于中国科学技术大学应用数学系，获国家一等奖学金，在个人博客、知乎等平台分享深度学习文章，积累了丰富经验，都融入书中。
内容速览
（一）深度学习基础认知
第1章介绍深度学习。开篇引入人工智能，区分数据挖掘、机器学习、深度学习概念。数据挖掘是从海量数据找价值，机器学习让计算机学规律做预测，深度学习则是机器学习分支，用神经网络自动学特征。最后提供学习资源与建议。
（二）PyTorch框架初接触
第2章讲深度学习框架，聚焦PyTorch。介绍PyTorch是专为深度学习设计的Python科学计算库，因动态计算图、易用等优势被广泛使用。还详细说明安装PyTorch及配置深度学习环境的步骤。
（三）多层全连接神经网络探究
第3章深入神经网络。先介绍PyTorch基础，如Tensor（类似多维数组）、Variable（用于自动求导）等。接着讲线性模型，从一维到多维线性回归及多项式回归，给出一维线性回归代码。在分类问题上，介绍Logistic回归。
然后讲解多层全连接前向网络，模拟神经元、介绍激活函数，阐述反向传播算法。还介绍优化算法变式及训练技巧，如数据预处理、权重初始化等。最后用MNIST手写数字分类项目巩固知识。
（四）卷积神经网络详解
第4章围绕卷积神经网络。先介绍任务与起源，讲解卷积层、池化层、全连接层原理及结构。在PyTorch卷积模块部分，介绍卷积层、池化层用法。分析LeNet等经典案例，再次用MNIST分类及cifar10分类，加深对卷积神经网络应用的理解。
（五）循环神经网络学习
第5章学习循环神经网络。先提出要解决的问题，介绍基本结构及存在问题。讲解LSTM和GRU这两个变式。介绍PyTorch循环网络模块，通过实例加深理解。在自然语言处理应用方面，介绍词嵌入、N Gram模型等及相关实现。最后介绍循环神经网络其他应用。
（六）生成对抗网络介绍
第6章介绍生成对抗网络。先讲生成模型，包括自动编码器和变分自动编码器。再详细讲解生成对抗网络及其数学原理，介绍改进版本，如Wasserstein GAN。最后介绍其应用，如Conditional GAN和Cycle GAN。
（七）深度学习实战案例
第7章是实战部分，有四个实例。“猫狗大战”用预训练卷积神经网络提取特征与预测；“Deep Dream”探索卷积神经网络对图像的理解；“Neural – Style”实现风格迁移；“Seq2seq”通过RNN实现简单机器翻译。每个实例都从背景、原理、代码到总结。
总结
《深度学习入门之PyTorch》内容丰富，从理论到应用，讲的都非常好，推荐大家下载阅读。
资源下载
