原書前言
深度學習（Deep Learning）和神經(jīng)網(wǎng)絡(luò)是機器學習，特別是計算機視覺（Computer Vision，CV）和自然語言處理（Natural Language Processing，NLP）、語音識別等應(yīng)用領(lǐng)域熱門的話題。我敢肯定，即使不在IT 領(lǐng)域，也有許多讀者都聽說過這些術(shù)語。特別是近年來，它已與AI（人工智能）等關(guān)鍵詞關(guān)聯(lián)在一起，盡管有點夸張，但它的熱度似乎正在迅速增加。
當我對深度學習和神經(jīng)網(wǎng)絡(luò)感興趣并想親自嘗試時，感到自己與那些夸張的圖像和充滿實際數(shù)學公式的世界之間存在著巨大的鴻溝，一時不知道該從哪里下手。這樣的情形，我認為有很多人也不知道該怎么辦。
本書從作為神經(jīng)網(wǎng)絡(luò)基礎(chǔ)的線性模型開始，介紹和學習包括神經(jīng)網(wǎng)絡(luò)在內(nèi)的隨機模型的基本原理。其次使用PyTorch，自己動手進行了一個實際程序的創(chuàng)建，以加深對基本原理的理解。
除了線性模型這個非常重要的基礎(chǔ)部分以外，全書力圖不使用過多的數(shù)學公式，而是嘗試使用直觀的示例進行解釋。以簡單的數(shù)字識別、圖像分類、文本分類與生成、翻譯和推薦為例，通過各種應(yīng)用程序來了解數(shù)據(jù)的使用及其發(fā)生的實際變化。關(guān)于這一點，我正是通過各種具體的設(shè)計，來使你感受到。
本書使用PyTorch這一Python框架。Python是一種編程語言，長期以來一直是數(shù)據(jù)科學領(lǐng)域中使用多的語言，深度學習也是如此。
作為深度學習的Python程序庫，TensorFlow是主要由Google公司開發(fā)的框架，是著名的深度學習Python庫。但也有一種觀點認為，初學者很難適應(yīng)其大量使用符號的編程風格。另一方面，PyTorch是一個主要由Facebook公司開發(fā)的開源項目，它采用一種稱為動態(tài)網(wǎng)絡(luò)的機制，可以像普通的Python程序一樣輕松地進行神經(jīng)網(wǎng)絡(luò)的構(gòu)建，因此也得到了廣泛的支持和迅速的推廣。特別是由于廣大研究人員的強力支持，使得的研究成果立即在PyTorch中實施并在GitHub上發(fā)布已變得司空見慣。盡管日語信息的應(yīng)用很少，但是PyTorch簡單易用，的研究成果可以立即使用，因此對于那些想要學習深度學習并將其作為職業(yè)技能的人來說，這是一個的框架。
我希望讀者通過本書的學習，能夠?qū)ι窠?jīng)網(wǎng)絡(luò)、深度學習或機器學習產(chǎn)生興趣，并可以在自己的工作中真正使用這些技術(shù)。
杜世橋
2018 年9月


閱讀本書需要的知識基礎(chǔ)：

本書面向?qū)ι窠?jīng)網(wǎng)絡(luò)和深度學習了解不多，但感興趣并想知道自己可以使用的東西和想真正地自己動手的讀者。在閱讀本書時，假定讀者具有以下的知識基礎(chǔ)。
● 基本的Linux的操作
● 基本的Python程序設(shè)計經(jīng)驗
● 函數(shù)和微分、向量和矩陣乘法等初等數(shù)學知識
●（好具有）NumPy的使用經(jīng)驗
●（好具有）在云上創(chuàng)建虛擬機的經(jīng)驗
可以在以下網(wǎng)站上找到PyTorch（參見要點提示）的官方網(wǎng)站、教程和文檔。通過網(wǎng)站提供的文檔能夠獲取和確認本書中出現(xiàn)的PyTorch 功能的詳細參數(shù)和配置。另外，通過閱讀網(wǎng)站提供的教程能夠更好地加深對本書的理解，因此無論如何也請通覽一下。
● PyTorch 官方網(wǎng)站
　網(wǎng)址http://pytorch.org/
● PyTorch 教程
　網(wǎng)址http://pytorch.org/tutorials/
● PyTorch 文檔
　網(wǎng)址http://pytorch.org/docs/

要點提示:PyTorch
在深度學習開始普及的早期，有一個名為Torch的框架可以通過Lua（一種腳本語言）來使用。PyTorch所使用的后端（back-end）代碼與該Torch框架的代碼完全相同，但是如果你實際上沒有接觸過Torch，那也完全沒有問題。

INTRODUCTION本書的構(gòu)成
本書可以分為上半部分（第1~3章）和下半部分（第4~7章）。
在第1 章中，我們將概述PyTorch 的包結(jié)構(gòu)，大致了解其組成內(nèi)容，并實際接觸PyTorch基本的數(shù)據(jù)結(jié)構(gòu)Tensor。
第2章介紹線性模型。學習線性模型的結(jié)構(gòu)非常重要，因為它可以以完全相同的方式用于神經(jīng)網(wǎng)絡(luò)。這是本書中含有使用數(shù)學公式解釋該理論的內(nèi)容。在下半部分中，我們通過PyTorch的實際使用來實現(xiàn)線性回歸模型和邏輯回歸模型，并根據(jù)實際數(shù)據(jù)來進行模型的訓練和參數(shù)的學習。
在第3章中，將進行神經(jīng)網(wǎng)絡(luò)的介紹。在這里，我們將實際使用PyTorch創(chuàng)建一個多層感知器（Perceptron），這也是一個基本的神經(jīng)網(wǎng)絡(luò)。在第2 章和第3 章中學到的知識將成為接下來的第4 章、第5 章和第6 章的學習基礎(chǔ)。
第4章介紹使用卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）進行的圖像處理。在此我們將創(chuàng)建一個程序，該程序不僅可以使用CNN對簡單圖像進行分類，還可以將低分辨率圖像轉(zhuǎn)換為高分辨率圖像，或者使用深度卷積生成對抗網(wǎng)絡(luò)（Deep Convolutional Generative Adversarial Network，DCGAN）來進行新的圖像的生成。除此之外，我們還將展示如何將預先在不同數(shù)據(jù)集（data set）中訓練過的模型很好地轉(zhuǎn)移到自己的數(shù)據(jù)集上，也就是我們所說的遷移學習。
第5章介紹使用循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network，RNN）進行的自然語言處理。除了使用RNN進行文本的分類和文本的生成之外，我們還將使用結(jié)合了兩個RNN的編碼器- 解碼器模型挑戰(zhàn)英語和西班牙語的翻譯。
第6章介紹使用神經(jīng)網(wǎng)絡(luò)構(gòu)建推薦系統(tǒng)（Recommendati