邢梦来，擅长量化分析理论，深入研究多空对比分析，对多空趋势平衡有独特的见解，形成一套多空对比体系。同时对对交易心理状况、人工智能与区块链技术也有较深的研究。

王硕，资深软件工程师，具有9年的Java企业应用开发经验和4年的教育培训经验，曾主持多个B/S项目开发，项目经验丰富，擅长Java EE（Struts2、Spring3、Hibernate3）项目开发、Python（程序GUI、数据分析、网络爬虫）项目开发，是极宽TOP开源团队核心成员，也是《PyQt5快速开发与实战》一书的作者之一。

孙洋洋，《PyQt5快速开发与实战》一书的作者之一，擅长网络爬虫、机器学习、量化投资与程序GUI开发设计。有多年量化投资实盘操作经历，现就职于某期货公司做量化研究员。

深度学习已经成为人工智能炙手可热的技术，PyTorch是一个较新的、容易上手的深度学习开源框架，目前已得到广泛应用。本书从PyTorch框架结构出发，通过案例主要介绍了线性回归、逻辑回归、前馈神经网络、卷积神经网络、循环神经网络、自编码模型、以及生成对抗网络。本书作为深度学习的入门教材，省略了大量的数学模型推导，适合深度学习初学者，人工智能领域的从业者，以及深度学习感兴趣的人阅读。

第一部分  理论部分
第1章  深度学习简介
1.1  深度学习
1.2  神经网络的发展
1.3  深度学习的应用
1.4  常用的数学知识和机器学习算法
1.5  PyTorch简介
1.5.1  PyTorch介绍
1.5.2  使用PyTorch的公司
1.5.3  PyTorch API
1.5.4  为什么选择Python语言
1.5.5  Python语言的特点
1.6  常用的机器学习、深度学习开源框架
1.7  其他常用的模块库
1.8  深度学习常用名词
第2章  PyTorch环境安装
2.1  基于Ubuntu环境的安装
2.1.1  安装Anaconda
2.1.2  设置国内镜像
2.2  Conda命令安装PyTorch
2.3  pip命令安装PyTorch
2.4  配置CUDA
第3章  PyTorch基础知识
3.1  张量
3.2  数学操作
3.3  数理统计
3.4  比较操作
第4章  简单案例入门
4.1  线性回归
4.2  逻辑回归
第5章  前馈神经网络
5.1  实现前馈神经网络
5.2  数据集
5.3  卷积层
5.4  Functional函数
5.5  优化算法
5.6  自动求导机制
5.7  保存和加载模型
5.8  GPU加速运算
第6章  PyTorch可视化工具
6.1  Visdom介绍
6.2  Visdom基本概念
6.2.1  Panes（窗格）
6.2.2  Environments（环境）
6.2.3  State（状态）
6.3  安装Visdom
6.4  可视化接口
6.4.1  Python函数属性提取技巧
6.4.2  vis.text
6.4.3  vis.image
6.4.4  vis.scatter
6.4.5  vis.line
6.4.6  vis.stem
6.4.7  vis.heatmap
6.4.8  vis.bar
6.4.9  vis.histogram
6.4.10  vis.boxplot
6.4.11  vis.surf
6.4.12  vis.contour
6.4.13  vis.mesh
6.4.14  vis.svg
第二部分  实战部分
第7章  卷积神经网络
7.1  卷积层
7.2  池化层
7.3  经典的卷积神经网络
7.3.1  LeNet-5神经网络结构
7.3.2  ImageNet-2010网络结构
7.3.3  VGGNet网络结构
7.3.4  GoodLeNet网络结构
7.3.5  ResNet网络结构
7.4  卷积神经网络案例
7.5  深度残差模型案例
第8章  循环神经网络简介
8.1  循环神经网络模型结构
8.2  不同类型的RNN
8.3  LSTM结构具体解析
8.4  LSTM的变体
8.5  循环神经网络实现
8.5.1  循环神经网络案例
8.5.2  双向RNN案例
第9章  自编码模型
第10章  对抗生成网络
10.1  DCGAN原理
10.2  GAN对抗生成网络实例
第11章  Seq2seq自然语言处理
11.1  Seq2seq自然语言处理简介
11.2  Seq2seq自然语言处理案例
第12章利用PyTorch实现量化交易
12.1  线性回归预测股价
12.2  前馈神经网络预测股价
12.3  递归神经网络预测股价