“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。

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