国外Pytorch深度学习畅销书 全彩印刷作者拥有20余年从业经验;PyTorch深度学习指南丛书循序渐进地详细讲解了与深度学习相关的重要概念、算法和模型，并着重展示了PyTorch是如何实现这些算法和模型的。其共分三卷：编程基础、计算机视觉、序列与自然语言处理。本书适用于对深度学习感兴趣，并希望使用PyTorch实现深度学习的Python程序员阅读。以下是部分国外读者书评：Mike：语言通俗易懂，易于吸收和理解，没有长篇大论，也没有太多的数学符号，只在极少数情况下才在文中使用，确实很有帮助。作者带你了解如何在没有Torch的情况下首先构建和训练神经网络，以及梯度下降之类的事情是如何运作的。Mark：这本书很棒！我能够在几天内读完它，它非常容易理解。我很熟悉scikit_learn，已经用了几年了，所以这本书是一种快速适应PyTorch的方法。对ML概念的回顾足够深入，所以我理解了代码。我现在开始读第二卷！TS.：这本书不只是把代码推到你面前，它解释了事物在引擎盖下是如何工作的。我非常喜欢这种风格，所以我把这本书及其第二卷作为我的ECE655高级GPU编程和深度学习课程的教材。Jesse：我喜欢这位作家的风格。他从深度学习背后的基本概念开始，带领你从自己硬编码梯度下降到使用PyTorch高效实现，逐步提高抽象和复杂性。最后，你将能够在PyTorch中编写一个干净紧凑的模型，并且了解每个子组件在后台做什么。

;PyTorch深度学习指南丛书循序渐进地详细讲解了与深度学习相关的重要概念、算法和模型，并着重展示了PyTorch是如何实现这些算法和模型的。其共分三卷：编程基础、计算机视觉、序列与自然语言处理。本书为该套丛书的第一卷：编程基础。本书主要介绍了梯度下降和PyTorch的Autograd；训练循环、数据加载器、小批量和优化器；二元分类器、交叉熵损失和不平衡数据集；决策边界、评估指标和数据可分离性等内容。本书适用于对深度学习感兴趣，并希望使用PyTorch实现深度学习的Python程序员阅读学习。

丹尼尔?沃格特?戈多伊是一名数据科学家、开发人员、作家和教师。自2016年以来，他一直在柏林历史最悠久的训练营Data Science Retreat讲授机器学习和分布式计算技术，帮助数百名学生推进职业发展。丹尼尔还是两个Python软件包HandySpark和DeepReplay的主要贡献者。他拥有在多个行业20多年的工作经验，这些行业包括银行、政府、金融科技、零售和移动出行等。

前　言致　谢关于作者译者序常见问题　　为什么选择PyTorch？　　为什么选择这套书？　　谁应该读这套书？　　我需要知道什么？　　如何阅读这套书？　　下一步是什么？设置指南　　官方资料库　　环境　　　　谷歌Colab　　　　Binder　　　　本地安装　　继续第0章　可视化梯度下降　　剧透　　Jupyter Notebook　　　　导入　　可视化梯度下降　　模型　　数据生成　　　　合成数据生成　　　　训练_验证_测试拆分　　第0步随机初始化　　第1步计算模型的预测　　第2步计算损失　　　　损失面　　　　横截面　　第3步计算梯度　　　　可视化梯度　　　　反向传播　　第4步更新参数　　　　学习率　　第5步循环往复　　　　梯度下降的路径　　回顾第1章　一个简单的回归问题　　剧透　　Jupyter Notebook　　　　导入　　一个简单的回归问题　　数据生成　　　　合成数据生成　　梯度下降　　　　第0步随机初始化　　　　第1步计算模型的预测　　　　第2步计算损失　　　　第3步计算梯度　　　　第4步更新参数　　　　第5步循环往复　　Numpy中的线性回归　　PyTorch　　　　张量　　　　加载数据、设备和CUDA　　　　创建参数　　Autograd　　　　backward　　　　grad　　　　zero_　　　　更新参数　　　　no_grad　　动态计算图　　优化器　　　　step/zero_grad　　损失　　模型　　　　参数　　　　state_dict　　　　设备　　　　前向传递　　　　训练　　　　嵌套模型　　　　序列（Sequential）模型　　　　层　　归纳总结　　　　数据准备　　　　模型配置　　　　模型训练　　回顾第2章　重新思考训练循环　　剧透　　Jupyter Notebook　　　　导入　　重新思考训练循环　　　　训练步骤　　Dataset　　　　TensorDataset　　DataLoader　　　　小批量内循环　　　　随机拆分　　评估　　　　绘制损失　　TensorBoard　　　　在Notebook中运行　　　　单独运行（本地安装）　　　　单独运行（Binder）　　　　SummaryWriter　　　　add_graph　　　　add_scalars　　保存和加载模型　　　　模型状态　　　　保存　　　　恢复训练　　　　部署/做出预测　　　　设置模型的模式　　归纳总结　　回顾第2.1章　追求优雅　　剧透　　Jupyter Notebook　　　　导入　　追求优雅　　　　类　　　　构造方法　　　　训练方法　　　　保存和加载方法　　　　可视化方法　　　　完整代码　　典型的管道　　　　模型训练　　　　做出预测　　　　检查点　　　　恢复训练　　归纳总结　　回顾第3章　一个简单的分类问题　　剧透　　Jupyter Notebook　　　　导入　　一个简单的分类问题　　数据生成　　数据准备　　模型　　　　logit　　　　概率　　　　比值比（Odds Ratio）　　　　对数比值比　　　　从logit到概率　　　　Sigmoid　　　　逻辑斯蒂回归　　损失　　　　BCELoss　　　　BCEWithLogitsLoss　　　　不平衡数据集　　模型配置　　模型训练　　决策边界　　分类阈值　　　　混淆矩阵　　　　指标　　　　权衡和曲线　　归纳总结　　回顾

丹尼尔?沃格特?戈多伊是一名数据科学家、开发人员、作家和教师。自2016年以来，他一直在柏林历史最悠久的训练营Data Science Retreat讲授机器学习和分布式计算技术，帮助数百名学生推进职业发展。丹尼尔还是两个Python软件包HandySpark和DeepReplay的主要贡献者。他拥有在多个行业20多年的工作经验，这些行业包括银行、政府、金融科技、零售和移动出行等。