标签
内容简介
《深度学习入门之PyTorch》是廖星宇编著、电子工业出版社于2017年出版的一本兼具理论与实战的深度学习入门书，属于「博文视点AI系列」。全书共7章、约232页，从人工智能与数据挖掘、机器学习、深度学习的关系讲起，帮助零基础读者建立概念框架；随后介绍主流深度学习框架与PyTorch的特点，讲解开发环境搭建与安装配置。第3章以Tensor、Variable、Dataset、nn.Module、torch.optim等核心对象为起点，通过线性回归、Logistic回归引出多层全连接神经网络，并讲解激活函数、反向传播、梯度下降及其变式、数据预处理与防过拟合技巧，最终完成MNIST手写数字分类。第4章系统讲解卷积层、池化层与全连接层，结合LeNet、AlexNet、VGGNet、GoogLeNet、ResNet等经典结构，并在cifar10上实践图像分类。第5章介绍循环神经网络及其变式LSTM、GRU，并延伸到词嵌入与自然语言处理任务。第6章从自动编码器、变分自动编码器讲到生成对抗网络及其改进（Wasserstein GAN、Conditional GAN、Cycle GAN）。第7章给出猫狗大战、Deep Dream、Neural-Style风格迁移与Seq2seq神经机器翻译四个实战项目。全书数学推导从简，配套代码发布在GitHub上。
编辑推荐
很多深度学习书要么只讲公式，要么只堆代码，这本书难得地把「原理—工具—项目」串成了一条线。它从数据挖掘、机器学习讲到深度学习，先把概念理顺，再落到PyTorch的Tensor、Variable、nn.Module、torch.optim这些必须上手的基本对象上，让读者不会一上来就面对黑箱。中段是全书的骨架：用线性回归和Logistic回归这种能算得清的小模型建立直觉，然后推进到多层全连接网络、卷积网络和循环网络，并配上MNIST、cifar10等标准数据集；LeNet到ResNet的经典结构梳理得比较清楚，对理解「网络为什么这样搭」很有帮助。后半部分涉及GAN及其改进，以及猫狗大战、Deep Dream、风格迁移、Seq2seq四个实战，适合用来做课程设计或练手项目。需要提醒的是，书出版于2017年，PyTorch版本迭代很快，部分API写法已经过时，最好配合作者GitHub上的Notebook一起读，边跑边改。对于想低成本、系统性地认识深度学习全貌的读者，这仍是一本结构完整、信息密度适中的入门读物。
适合谁读
适合
- 有一定Python基础、想系统入门深度学习的学生与转行者
- 用过TensorFlow跑过简单模型，希望换到PyTorch的研究者
- 需要为课程设计或简历项目寻找实战案例的本科生、研究生
- 想快速了解CNN、RNN、GAN基本结构与术语的工程师
不适合
- 完全没写过Python、也没接触过机器学习概念的零基础读者
- 已能熟练使用PyTorch、希望深入源码与分布式训练的高级开发者
- 只想学最新大模型与Transformer工程实践、不关心经典网络的读者
阅读建议
- 先读第1—3章建立概念与PyTorch手感，再按章节顺序推进，后一章会用到前章代码。
- 把书中示例对照作者GitHub仓库的最新版本运行，遇到API报错优先查官方文档。
- 数学推导卡住时可先跳过，但要自己动手重写一遍MNIST与cifar10两个完整流程。
- 读完第7章后，挑一个项目改成自己的数据集，作为阶段性的学习成果。
出版社简介
电子工业出版社
中国 · 成立于 1982 年
电子工业出版社是一家以电子信息及相关领域为出版特色的综合性出版社。从库内三千余种图书来看，其出版方向覆盖编程设计、人工智能、计算机综合、财经、摄影与社科等门类，既关注技术前沿，也兼顾大众阅读。代表图书包括《因子投资：方法与实践》《x86汇编语言：从实模式到保护模式》《RISC-V开放架构设计之道》《人工智能：语音识别理解与实践》《相控阵雷达技术》《雷达目标特性》及《100个Go语言典型错误》等，多围绕技术方法与工程实践展开。作者资源方面，有石川、李忠、王晓波、大卫·帕特森、安德鲁·沃特曼、余子濠等中外作者。受公开资料所限，暂不展开更多出版特色。
目录
- 第1章 深度学习介绍：人工智能；数据挖掘、机器学习与深度学习；学习资源与建议
- 第2章 深度学习框架：框架概览；PyTorch是什么与为何使用；开发环境与PyTorch安装
- 第3章 多层全连接神经网络：Tensor、Variable、Dataset、nn.Module与优化器；线性模型与多项式回归；Logistic回归与分类；前向网络与激活函数；反向传播算法；优化算法变式；数据处理与训练技巧；MNIST手写数字分类实现
- 第4章 卷积神经网络：任务与起源；卷积层、池化层与全连接层；PyTorch卷积模块；LeNet、AlexNet、VGGNet、GoogLeNet、ResNet案例分析；图像增强；cifar10分类实践
- 第5章 循环神经网络：基本结构与存在问题；LSTM与GRU；PyTorch循环网络模块；词嵌入与自然语言处理应用；Many to one、Seq2seq、CNN+RNN
- 第6章 生成对抗网络：自动编码器与变分自动编码器；GAN原理与数学解释；Wasserstein GAN与改进WGAN；Conditional GAN与Cycle GAN
- 第7章 深度学习实战：猫狗大战（预训练卷积网络特征提取）；Deep Dream；Neural-Style风格迁移；Seq2seq神经机器翻译
常见问题
这本书需要什么样的数学和编程基础？
官方说明阅读本书不需要太多数学基础，困难的推导可以跳过；但需要一定的Python基础。第3章的线性回归、Logistic回归、梯度下降是理解后续内容的关键，建议至少把这部分读懂。
书里的代码还能直接跑吗？
本书2017年出版，当时使用的PyTorch版本较早，Variable等写法在后续版本中已被合并或弃用，直接照抄可能报错。作者在GitHub上维护了配套代码（code-of-learn-deep-learning-with-pytorch），建议以仓库最新版本为准。
这本书和《深度学习框架PyTorch：入门与实践》有什么区别？
两书都是2017—2018年前后的中文PyTorch入门书。本书作者廖星宇偏重从机器学习基础一路讲到CNN、RNN、GAN与实战，结构更接近教材脉络；陈云那本更强调PyTorch工具箱与AI滤镜、AI写诗等趣味项目。
适合用来准备面试吗？
可以作为概念梳理的参考，书中对反向传播、批标准化、经典网络结构的解释比较适合打底。但面试常问的Transformer、分布式训练与工程部署内容本书没有覆盖，需要额外补充其他资料。
零基础完全自学能看懂吗？
如果完全不会Python，建议先补Python基础与NumPy，再看第3章张量操作部分。全书入门门槛不高，但需要边读边敲代码，仅通读一遍很难掌握。
读者评论
查询本书
本站为索引目录：「全网查询」由您发起、在您的浏览器中运行，所列入口均指向第三方站点，请自行判断可用性。
