深入浅出PyTorch:从模型到源码

(副标题)：无 ;

(作者): 张校捷 ;

内容简介：

​ 第1章 深度学习概念简介
作为近年来计算机科学的重要研究方向之一，人工智能这个概念得到了学术界和工业界的广泛追捧。迄今为止，人工智能的研究核心依然是基于大数据和高性能计算的深度神经网络，即我们所称的深度学习。由于深度学习需要用到大量的神经网络的构建和运算模块，基于这个需求，人们开发了很多深度学习框架，如Caffe、MXNet、PyTorch和TensorFlow等。这些框架的共同特点是极大地简化了深度学习的神经网络的构建过程。为了更好地理解这个框架的内在设计思路，以及如何使用这些框架，这里需要对深度学习的概念和术语进行简要介绍，希望对读者理解本书后续几章的内容有所帮助。
1.1 深度学习的历史
1.1.1 深度学习的发展过程
由于PyTorch和深度学习的联系紧密，下面回顾一下深度学习的历史。深度学习本质是一个前馈神经网络（Feed-Forward Neural Network），因此，它的历史可以追溯到人工神经网络（Artificial Neural Networks，ANN）研究的时期。人工神经网络主要是通过模拟动物的神经元的运行模式来对现实数据进行拟合和预测，即通过函数来模拟信息在神经元中的变换和传输。最早的人工神经网络是20世纪60年代Frank Rosenblatt发明的感知机（Perceptron）1，通过对输入进行单层的线性变换来完成分类。然而这个模型并不能解决线性不可分的问题，对于很多现实问题并不适用，因此这个模型很快就被废弃了，从而造成了人工神经网络研究的低潮。到了20世纪80年代，人们的研究又重新转向人工神经网络，并且开发了多层感知机（Multi-layer perceptron，MLP）2来解决感知机的问题。相比简单的感知机，多层感知机由于增加了人工神经网络的深度，对于相对复杂的函数拟合效果比较好，理论上，根据万能近似定理（Universal

目录预览：

​ 深入浅出PyTorch：从模型到源码
第1章 深度学习概念简介
第2章 PyTorch深度学习框架简介
第3章 PyTorch计算机视觉模块
第4章 PyTorch机器视觉案例
第5章 PyTorch自然语言处理模块
第6章 PyTorch自然语言处理案例
第7章 其他重要模型
第8章 PyTorch高级应用
第9章 PyTorch源代码解析
参考资料