PyTorch深度學習實戰（簡體書）

PyTorch是一個嶄新的、羽量級的、以Python為優先開發語言的深度學習框架。PyTorch由Facebook開發，以其靈活性和高效性迅速成為深度學習專家的良好選則。 PyTorch可以説明你快速完成深度學習模型的開發。
本書介紹了如何基於PyTorch框架實現主要的深度學習模型。本書從簡單的神經網絡開始，內容涵蓋了CNN、RNN、GAN和強化學習。你也可以基於PyTorch框架構建深度學習工作流，把基於Python構建的模型遷移到更高效的TorchScript，並使用複雜的工具將其部署到生產環境中。
如果你想成為深度學習專家，那麼本書很適合你。
通過本書，你將學習使用PyTorch來構建：
簡單神經網絡——基於PyTorch高階函數、優化器及更多方法來構建神經網絡。
卷積神經網絡——構建高級計算機視覺系統。
迴圈神經網絡——處理自然語言和音訊等序列資料。
生成對抗網絡——創建包含簡單GAN和CycleGAN模型的新內容。
強化學習——開發能解決諸如自動駕駛和遊戲博弈等複雜問題的系統。
深度學習工作流——基於PyTorch及其實用套裝程式，通過深度學習工作流將想法有效地用於生產。
生產就緒模型——將模型打包以用於高性能生產環境。

謝林·湯瑪斯（Sherin Thomas） 的職業生涯始於信息安全專家，後來他將工作重心轉移到基於深度學習的安全系統。他曾説明全球多家公司建立AI流程，曾就職於初創公司CoWrks。他目前正在從事多個開源項目，包括PyTorch、RedisAI等，並領導TuringNetwork.ai的開發。他還專注於為奧羅比克斯（Orobix）分拆公司[tensor]werk建設深度學習基礎設施。
蘇丹舒·帕西（Sudhanshu Passi） 是CoWrks的技術專家。在CoWrks，他一直是機器學習的一切相關事宜的驅動者。在簡化複雜概念方面的專業知識使他的著作成為初學者和專家的理想讀物。在業餘時間，他還會在當地的遊泳池內計算水下梯度下降。

譯者簡介
馬恩馳　京東算法總監，現任京東算法智能應用部負責人，負責智能營銷算法在業務中的應用。曾就職於阿裡巴巴達摩院-人工智能實驗室，負責語音搜索架構升級和搜索算法優化工作。在搜索推薦領域有10年的算法經驗，主要研究方向為自然語言處理、知識圖譜、智能營銷等。主導編寫和翻譯了《TensorFlow自然語言處理》《PyTorch深度學習實戰》《應用預測建模》《智能運營》等書籍。

本書是一本深度學習實踐指南，聚焦於PyTorch深度學習各場景的動手實現，不涉及模型層面的原理剖析。書中通過大量示例及代碼，詳細展示如何使用PyTorch構建深度學習模型原型、構建深度學習工作流和將原型用於生產。

全書共7章。第1章介紹使用PyTorch進行深度學習的方法和PyTorch的基本API；第2章演示如何構建一個簡單神經網絡；第3章深入探討深度學習工作流和PyTorch生態系統；第4章介紹基於PyTorch構建的CNN；第5章介紹RNN並探討序列資料處理；第6章詳細介紹生成對抗網絡（GAN）；第7章介紹強化學習；第8章介紹將PyTorch應用於生產的三種不同方法。

本書幫助讀者快速深入深度學習。在過去的幾年裡，我們看到深度學習成了新的動力。它從學術界一路進軍到工業領域，幫助解決了數千個難題。沒有它，人類永遠無法想像如何解決這些難題。深度學習的應用主要是由一組框架推動的，這些框架可靠地將複雜的算法轉化為高效的內置方法。本書展示了PyTorch 在構建深度學習模型原型、深度學習工作流以及將原型模型用於生產方面的優勢。總體而言，本書專注於 PyTorch 的實際實現，而不是解釋它背後的數學原理。但本書也會給出一些連結，這些連結會補充一些相關概念。
本書適合誰
我們沒有盡可能多地解釋算法，而是專注於PyTorch中的算法實現，並著眼於使用這些算法的實際應用程式的實現。本書非常適合知道如何在 Python 中程序設計並瞭解深度學習基礎知識的讀者。本書面向具有傳統機器學習實踐經驗，或希望在實踐中探索深度學習世界並將其實現部署到生產中的開發人員。
本書包含哪些內容
第1章介紹使用PyTorch進行深度學習的方法以及 PyTorch 的基本 API。本章介紹PyTorch 的歷史，以及為什麼 PyTorch 應該成為深度學習發展的首選框架，還介紹後續章節中將討論的不同深度學習方法。
第2章將幫助你構建第一個簡單神經網絡，並演示如何將神經網絡、優化器和參數更新連接在一起以構建簡單深度學習模型。本章還介紹PyTorch如何進行反向傳播，這是所有先進的深度學習算法背後的關鍵。
第3章深入探討深度學習工作流的實現以及幫助構建工作流的 PyTorch 生態系統。如果你計畫為項目建立深度學習團隊或流程，那麼這可能是最關鍵的一章。在本章中，我們將介紹深度學習流程的不同階段，並介紹PyTorch 社群如何通過制定適當的工具來在工作流的每個階段反覆運算地進行優化。
第4章討論迄今為止深度學習最成功的結果—計算機視覺成功背後的關鍵思想，並將介紹使用最廣泛的視覺算法—卷積神經網絡（CNN）。我們將逐步實現 CNN 以理解其工作原理，然後使用 PyTorch 的 nn包中預定義的CNN。本章將幫助你實現一個簡單的CNN和一種先進的基於CNN的視覺算法—語義分割。
第5章著眼於迴圈神經網絡，這是目前最成功的序列資料處理算法。本章將首先介紹主要的 RNN 組件，如長短期記憶（LSTM）網絡和門控迴圈單元（GRU）。然後，我們將在探索遞迴神經網絡之前對RNN 實現中的算法做一些更改，如雙向 RNN，並增加層數。為了理解遞迴網絡，我們將使用斯坦福 NLP 團隊的著名示例，即堆疊增強解析器–解譯器神經網絡 （SPINN），並在 PyTorch 中實現該示例。
第6章簡要介紹生成網絡的歷史，然後討論不同種類的生成網絡，包括自動回歸模型和 GAN。我們將在6.2節討論 PixelCNN 和 WaveNet 的實現細節，然後詳細討論 GAN。
第7章介紹強化學習的概念—但它並不是深度學習的一個子類別。我們將首先瞭解如何定義問題，然後將探討累積獎勵的概念。我們將探討瑪律可夫決策過程和貝爾曼方程，然後介紹深度Q學習。我們還將介紹Gym，它是 OpenAI 開發的用於開發和試驗強化學習算法的工具包。
第8章著眼於人們（甚至深度學習專家）在將深度學習模型部署到生產時所遇到的難題。我們將探討不同的生產部署選項，包括圍繞PyTorch 使用 Flask封裝器以及使用 RedisAI。RedisAI是一個高度優化的運行器，用於在多群集環境中部署模型，每秒可以處理數百萬個請求。
如何使用本書
本書中的代碼以 Python 編寫，託管在 GitHub 上。儘管有壓縮的代碼存儲庫可供下載，但在線GitHub 存儲庫將收到 bug 修復和更新。因此，讀者既有必要對GitHub 有基本的瞭解，也有必要具備Python的基礎知識。
雖然不是必需的，但使用 CUDA 驅動程式將有助於加快訓練過程（如果不使用任何預先訓練的模型）。
本書中的代碼示例雖然是在 Ubuntu 18.10 計算機上開發的，但適用於所有流行的平臺。但是，如果你遇到任何困難，請隨時在 GitHub 中提出問題。
本書中的一些示例要求使用其他服務或包，如 redis-server 和 Flask 框架。所有這些外部依賴項和“方法”指南都記錄在其出現的章節中。
下載示例代碼及彩色圖像
本書的示例代碼及所有截圖和圖表，可以從http://www.packtpub.com通過個人帳號下載，也可以訪問華章圖書官網http://www.hzbook.com，通過註冊並登錄個人帳號下載。
下載檔案後，請確保使用最新版本的解壓檔：
WinRAR / 7-Zip 用於Windows
Zipeg / iZip / UnRarX 用於 macOS
7-Zip / PeaZip 用於 Linux
本書的代碼包也託管在GitHub中，網址為https://github.com/hhsecond/Hands OnDeepLearningWithPytorch。