深度学习为世界上的智能系统（比如Google Voice、Siri和Alexa）提供了动力。随着硬件（如GPU）和软件框架（如PyTorch、Keras、TensorFlow和CNTK）的进步以及大数据的可用性，人们在文本、视觉和分析等领域更容易实施相应问题的解决方案。
本书对当今前沿的深度学习库PyTorch进行了讲解。凭借其易学习性、高效性以及与Python开发的天然亲近性，PyTorch获得了深度学习研究人员以及数据科学家们的关注。本书从PyTorch的安装讲起，然后介绍了为现代深度学习提供驱动力的多个基础模块，还介绍了使用CNN、RNN、LSTM以及其他网络模型解决问题的方法。本书对多个先进的深度学习架构的概念（比如ResNet、DenseNet、Inception和Seq2Seq）进行了阐述，但没有深挖其背后的数学细节。与GPU计算相关的知识、使用PyTorch训练模型的方法，以及用来生成文本和图像的复杂神经网络（如生成网络），也在本书中有所涵盖。
学完本书后，读者可以使用PyTorch轻松开发深度学习应用程序。
本书内容：
在GPU加速的张量计算中使用PyTorch；
为图像自行创建数据集和数据装载器，然后使用torchvision和torchtext测试模型；
使用PyTorch来实现CNN架构，从而构建图像分类器；
使用RNN、LSTM和GRU开发能进行文本分类和语言建模的系统；
学习的CCN架构（比如ResNet、Inception、DenseNet等），并将其应用在迁移学习中；
学习如何混合多个模型，从而生成一个强大的集成模型；
使用GAN生成新图像，并使用风格迁移生成艺术图像。
展开
