这是一本能指导读者快速掌握PyTorch和深度学习的著作，从PyTorch的原理到应用，从深度学习到强化学习，本书提供了全栈解决方案。第1版上市后销量和口碑俱佳，是深度学习领域的畅销书，被誉为PyTorch领域的标准著作。第2版在第1版的基础上，去芜存菁，与时具进，根据PyTorch新版本全面升级，技术性、实战性、针对性、丰富性、易读性均得到了进一步提升，必定能帮助读者更轻松、更高效地进入深度学习的世界。全书一共19章，在结构上分为三大部分：第1部分（第1～4章）PyTorch基础首先有针对性地讲解了Python和PyTorch的基石NumPy中的关键知识，然后详细讲解了PyTorch的基础知识、神经网络工具箱和数据处理工具箱等内容，帮助读者快速了解和掌握PyTorch。第二部分（第5～10章）深度学习基础依次讲解了机器学习、视觉处理、自然语言处理、注意力机制、目标检测、语义分割、生成式深度学习等机器学习和深度学习的核心技术的原理和使用。第三部分（第11～17章）深度学习实践通过实战案例的方式，详细讲解了PyTorch在人脸检测和识别、迁移学习、中英文互译、图像分类、语义分割、生成式网络、对抗攻击等领域的应用和解决方案。第四部分（第18-19章）强化学习重点介绍了强化学习和深度强化学习的基础理论、常用算法及相关实例。更为重要的是，为了让本书通俗易懂，在内容安排和写作方式上也颇花了一番心思。内容选择上，广泛涉猎、重点突出、注重实战；内容安排上，实例切入、由浅入深、循序渐进；表达形式上，深度抽象、化繁为简、用图说话。

前言
第1版前言
第一部分　PyTorch基础
第1章　NumPy基础知识2
1.1　生成NumPy数组3
1.1.1　数组属性4
1.1.2　利用已有数据生成数组4
1.1.3　利用 random 模块生成数组5
1.1.4　生成特定形状的多维数组7
1.1.5　利用arange、linspace 　　　函数生成数组8
1.2　读取数据9
1.3　NumPy的算术运算11
1.3.1　逐元素操作11
1.3.2　点积运算12
1.4　数组变形13
1.4.1　修改数组的形状13
1.4.2　合并数组16
1.5　批处理19
1.6　节省内存20
1.7　通用函数21
1.8　广播机制23
1.9　小结24
第2章　PyTorch基础知识25
2.1　为何选择PyTorch25
2.2　PyTorch的安装配置26
2.2.1　安装CPU版PyTorch26
2.2.2　安装GPU版PyTorch28
2.3　Jupyter Notebook环境配置30
2.4　NumPy与Tensor31
2.4.1　Tensor概述31
2.4.2　创建Tensor32
2.4.3　修改Tensor形状34
2.4.4　索引操作35
2.4.5　广播机制35
2.4.6　逐元素操作36
2.4.7　归并操作37
2.4.8　比较操作37
2.4.9　矩阵操作38
2.4.10　PyTorch与NumPy比较39
2.5　Tensor与autograd39
2.5.1　自动求导要点40
2.5.2　计算图40
2.5.3　标量反向传播41
2.5.4　非标量反向传播42
2.5.5　切断一些分支的反向传播45
2.6　使用NumPy实现机器学习任务47
2.7　使用Tensor及autograd实现机器　　　
学习任务49
2.8　使用优化器及自动微分实现机器　　　
学习任务51
2.9　把数据集转换为带批量处理功能的　　　迭代器52
2.10　使用TensorFlow 2实现机器　　　学习任务54
2.11　小结55
第3章　PyTorch神经网络工具箱56
3.1　神经网络核心组件56
3.2　构建神经网络的主要工具573.2.1　nn.Module573.2.2　nn.functional583.3　构建模型593.3.1　继承nn.Module基类构建模型593.3.2　使用nn.Sequential按层　　　顺序构建模型603.3.3　继承nn.Module基类并应用　　　模型容器来构建模型633.3.4　自定义网络模块663.4　训练模型683.5　实现神经网络实例693.5.1　背景说明693.5.2　准备数据703.5.3　可视化源数据713.5.4　构建模型723.5.5　训练模型723.6　小结74第4章　PyTorch数据处理工具箱754.1　数据处理工具箱概述754.2　utils.data764.3　torchvision784.3.1　transforms784.3.2　ImageFolder794.4　可视化工具814.4.1　TensorBoard简介814.4.2　用TensorBoard可视化　　　神经网络824.4.3　用TensorBoard可视化损失值834.4.4　用TensorBoard可视化特征图844.5　小结85第二部分　深度学习基础第5 章　机器学习基础885.1　机器学习的基本任务885.1.1　监督学习895.1.2　无监督学习895.1.3　半监督学习905.1.4　强化学习905.2　机器学习的一般流程905.2.1　明确目标915.2.2　收集数据915.2.3　数据探索与预处理915.2.4　选择模型及损失函数915.2.5　评估及优化模型925.3　过拟合与欠拟合935.3.1　权重正则化935.3.2　dropout正则化945.3.3　批量归一化975.3.4　层归一化995.3.5　权重初始化995.4　选择合适的激活函数1005.5　选择合适的损失函数1015.6　选择合适的优化器1035.6.1　传统梯度优化算法1045.6.2　批量随机梯度下降法1055.6.3　动量算法1065.6.4　Nesterov动量算法1085.6.5　AdaGrad算法1095.6.6　RMSProp算法1115.6.7　Adam算法1125.6.8　Yogi算法1135.6.9　使用优化算法实例1145.7　GPU加速1165.7.1　单GPU加速1165.7.2　多GPU加速1175.7.3　使用GPU时的注意事项1205.8　小结121
第6章　视觉处理基础1226.1　从全连接层到卷积层1226.1.1　图像的两个特性1236.1.2　卷积神经网络概述1246.2　卷积层1256.2.1　卷积核1276.2.2　步幅1296.2.3　填充1306.2.4　多通道上的卷积1316.2.5　激活函数1346.2.6　卷积函数1356.2.7　转置卷积1366.2.8　特征图与感受野1376.2.9　全卷积网络1386.3　池化层1396.3.1　局部池化1406.3.2　全局池化1406.4　现代经典网络1426.4.1　LeNet-5模型1426.4.2　AlexNet模型1436.4.3　VGG模型1436.4.4　GoogLeNet模型1446.4.5　ResNet模型1456.4.6　DenseNet模型1466.4.7　CapsNet模型1486.5　使用卷积神经网络实现CIFAR10　　多分类1496.5.1　数据集说明1496.5.2　加载数据1496.5.3　构建网络1516.5.4　训练模型1516.5.5　测试模型1526.5.6　采用全局平均池化1536.5.7　像Keras一样显示各层参数1546.6　使用模型集成方法提升性能1566.6.1　使用模型1566.6.2　集成方法1576.6.3　集成效果1586.7　使用现代经典模型提升性能1586.8　小结159第7章　自然语言处理基础1607.1　从语言模型到循环神经网络1607.1.1　链式法则1617.1.2　马可夫假设与N元语法模型1617.1.3　从N元语法模型到隐含　　　状态表示1617.1.4　从神经网络到有隐含状态的　　　循环神经网络1627.1.5　使用循环神经网络构建　　　语言模型1647.1.6　多层循环神经网络1647.2　正向传播与随时间反向传播1657.3　现代循环神经网络1677.3.1　LSTM1687.3.2　GRU1697.3.3　Bi-RNN1697.4　循环神经网络的PyTorch实现1707.4.1　使用Py