这不，又一个程序员为爱变身灵魂画手，看得我都想学画画了。

这秘笈可以说架构非常清晰，分为基础篇、实战篇和高级篇。针对入门 PyTorch 的读者来说，这样的设定是一个最佳的学习路线，真正实现从入门到进阶，而不是从入门到失踪。（得意.JPG）

工欲善其亊，必先利其器。为了满足深度学习任务中“高计算量”这一特殊需求，在基础篇里，作者便从硬件的选择讲起，教你如何配置一台合适的计算机，以及如何在 Mac OS X、Ubuntu 和 Windows 系统下配置 PyTorch 的运行环境。配置完毕后，万事俱备，PyTorch 的学习就要正式开始啦！

我们曾接触过一些其他的深度学习框架，它们大多会涉及一个基本概念，就是 Tensor。何为 Tensor 呢？中文叫作张量，它是 PyTorch 中最基本的数据类型。

（张量设计图）

基础篇还介绍了一些深度学习的基础知识，这里有你熟悉的线性回归、非线性回归以及逻辑回归。多元分类、反向传播、卷积神经网络等也有涉及。还有两个实现手写体自动识别器的操作给你练手。

早在 2014 年，Goodfellow 就提出了生成对抗网络。2016 年起，关于生成对抗网络的论文数量呈指数型增长。有热心人士就在 GitHub 上列出了所有生成对抗网络模型的变体，取名为“生成对抗网络的动物园”（The GAN Zoo）。目前该“动物园”一共列出了 503 种不同的生成对抗网络模型及其变体。

(生成对抗网络论文发表数量统计)

比如，生成一张二次元的头像送给男/女朋友。不过具体步骤就等你自己去探秘啦。以下这些是我帮你收集好的小姐姐们，喜欢的话，拿去用！

不喜欢二次元？没关系！卷积神经网络还可以将一张图片的风格迁移到另外一张图片上，这样我就可以拥有梵高的《星月夜》了~

突然感觉有点赞呢！

除此之外，实战篇还介绍了深度强化模型，以及序列转序列模型。通过序列转序列模型，作者利用 PyTorch 构造了一个神经翻译机，即将神经网络运用在文本翻译中。

因为一般的神经翻译机用的都是序列转序列（seq2seq）模型，神经翻译机会比以前非神经网络的传统算法的准确率高很多。相信会了这个之后，机器翻译再也不是用来搞笑的了。

（截图来自：谷歌翻译）

掌握前两篇的内容之后，作者开始介绍一些 PyTorch 的高级用法。当然，这部分有人需要，有人还需持续修炼之后才会需要。不管怎么样，能学到这里的人，都应该给自己点奖励。

这部分作者分别从四个方面说起，分别是：PyTorch 扩展、PyTorch 模型迁移、Pytorch 可视化以及 Pytorch 的并行计算。

在 PyTorch 扩展中，作者除了介绍两种神经网络的自定义方法外，还介绍了如何将 PyTorch 模型部署到 C++ 环境下以满足在生产环境下，程序需要高性能、低延迟的要求。

在 PyTorch 模型迁移这部分中，作者讲解了如何使用 ONNX 将 PyTorch 模型迁移至 Caffe2，以及迁移至 Core ML。

（ONNX 生态圈）

在 PyTorch 可视化这部分，教你通过使用 Tensorboard 和 Visdom 实现对 PyTorch 的可视化。同时还介绍了一个通用的神经网络可视化工具 Netron。

（visdom 的数据可视化结果）

为了提高训练模型的效率，在实际生产和运用中大部分人都会采用多个 GPU 并行的方式对模型进行训练。PyTorch 则为我们提供了方便的函数，可以自如地创建多个进程或者同时使用多个 GPU 训练模型。最后这部分主要介绍的就是如何将 PyTorch 在多进程、多 CPU 下进行运算。

（多 GPU 训练示意图）

以上呢，就是阿华这本秘笈的主要内容。通篇看下来，作者真的非常了解正在入门 PyTorch 的小伙伴们的痛苦和需求，所以他选择了更适合初学者的思路与讲解方式，基本上是手把手在教了。

而且书中也不乏一些高级技能为已经入门的小伙伴做好进阶的准备。全书 233 页，读起来没啥压力。如果你愿意一步步跟着操作，那么，你会对 PyTorch 有一个全新的认识。

☟

真正实现 PyTorch 深度学习入门

作者：曾芃壹

本书用浅显易懂的语言，图文并貌地讲解了深度学习的基础知识，从如何挑选硬件到神经网络的初步搭建，再到实现图片识别、文本翻译、强化学习、生成对抗网络等多个目前最流行的深度学习应用。书中基于目前流行的 PyTorch 框架，运用 Python 语言实现了各种深度学习的应用程序，让理论和实践紧密结合。

作为码书商店的运营人员，诚邀你们进入我们的“CSDN码书福利群”，进入群后，你想要的书籍都有推荐，你想要的优惠也都可以实现（当然不能让我卖掉我自己），你也可以在学习累的时候和大家吹吹牛放松放松