# 零、前言

**人工智能**（**AI**）继续流行并破坏了广泛的领域，但这是一个复杂而艰巨的话题。 在本书中，您将掌握构建深度学习应用的方法，以及如何使用 PyTorch 进行研究和解决实际问题。

本书从张量处理的基础开始，采用基于秘籍的方法，然后介绍了**卷积神经网络**（**CNN**）和 PyTorch 中的**循环神经网络**（**RNN**）。 熟悉这些基本网络后，您将使用深度学习来构建医学图像分类器。 接下来，您将使用 TensorBoard 进行可视化。 您还将深入研究**生成对抗网络**（**GAN**）和**深度强化学习**（**DRL**），然后最终将模型大规模部署到生产中。 您将发现针对机器学习，深度学习和强化学习中常见问题的解决方案。 您将学习如何在计算机视觉，**自然语言处理**（**NLP**）中实现 AI 任务并解决实际问题。 其他实际领域。

到本书结尾，您将拥有使用 PyTorch 框架的 AI 中最重要且应用最广泛的技术的基础。

# 这本书是给谁的

这本 PyTorch 书籍适用于刚刚起步的 AI 工程师以及正在寻找指南以帮助他们有效解决 AI 问题的机器学习工程师，数据科学家和深度学习爱好者。 期望具备 Python 编程语言的工作知识和对机器学习的基本了解。

# 本书涵盖的内容

第 1 章，“使用 PyTorch 处理张量”介绍 PyTorch 及其安装，然后继续使用 PyTorch 处理张量。

第 2 章，“处理神经网络”全面介绍了开始和训练全连接神经网络的所有要求，从而对基本神经网络的所有组件进行了详尽的解释。 ：层，前馈网络，反向传播，损失函数，梯度，权重更新以及使用 CPU/GPU。

第 3 章，“用于计算机视觉的卷积神经网络”首先介绍了用于更高级任务的一类神经网络，即卷积神经网络。 在这里，我们将与 PyTorch 一起探索 TorchVision，训练 CNN 模型，并使用 TensorBoard 可视化其进度。 我们还将介绍与卷积网络构建块相关的各种任务。 卷积神经网络（CNN 或 ConvNet）是一类 DNN，最常用于分析图像。

第 4 章，“用于 NLP 的循环神经网络”探索循环神经网络，并研究 RNN 中的各种修改以及最佳实践。

第 5 章，“迁移学习和 TensorBoard”显示了如何使用经过训练的 ResNet-50 模型训练图像分类器以区分正常和肺炎的胸部 X 射线。 我们将替换分类器，并使用两个输出单元来代表正常和肺炎类别。

第 6 章，“探索生成对抗网络”探索生成对抗网络，以及如何实现 PyTorch 的组件并训练端到端网络。 我们将探索 DCGAN，并通过渐进式 GAN 网络进一步改善 DCGAN 的局限性。

第 7 章，“深度强化学习”可帮助您通过各种秘籍来了解深度 RL。 本章是一系列秘籍和任务，您将在其中利用所需的能力和架构来转变为深度强化学习专家。

第 8 章，“PyTorch 中的生产 AI 模型”，着眼于以两种方式生产 PyTorch 应用。 首先，生成已经训练过的模型，其次，对大型数据集进行分布式训练。 最后，我们将研究各种框架之间的可移植性。

# 充分利用这本书

需要具备 Python 的工作知识。

# 下载示例代码文件

您可以从 [www.packt.com](http://www.packt.com) 的帐户中下载本书的示例代码文件。 如果您在其他地方购买了此书，则可以访问 [www.packtpub.com/support](https://www.packtpub.com/support) 并注册以将文件直接通过电子邮件发送给您。

您可以按照以下步骤下载代码文件：

1.  登录或注册 [www.packt.com](http://www.packt.com) 。

2.  选择支持选项卡。
3.  单击代码下载。
4.  在搜索框中输入书籍的名称，然后按照屏幕上的说明进行操作。

下载文件后，请确保使用以下最新版本解压缩或解压缩文件夹：

*   Windows 的 WinRAR/7-Zip
*   Mac 版 Zipeg/iZip/UnRarX
*   适用于 Linux 的 7-Zip/PeaZip

本书的代码包也托管在 [GitHub](https://github.com/PacktPublishing/PyTorch-Artificial-Intelligence-Fundamentals) 上。 如果代码有更新，它将在现有的 GitHub 存储库中进行更新。

我们还从[这里](https://github.com/PacktPublishing/)提供了丰富的书籍和视频目录中的其他代码包。 去看一下！

# 下载彩色图像

我们还提供了 PDF 文件，其中包含本书中使用的屏幕截图/图表的彩色图像。 [您可以在此处下载](http://www.packtpub.com/sites/default/files/downloads/9781838557041_ColorImages.pdf)。

# 使用约定

本书中使用了许多文本约定。

`CodeInText`：指示文本，数据库表名称，文件夹名称，文件名，文件扩展名，路径名，虚拟 URL，用户输入和 Twitter 句柄中的代码字。 这是一个示例：“对于 Linux，我们将使用以下`pip`管理器。”

代码块设置如下：

```py
a = np.ones((2, 3))
a
```

当我们希望引起您对代码块特定部分的注意时，相关行或项目以粗体显示：

```py
b.shape
torch.Size([2, 3])
```

任何命令行输入或输出的编写方式如下：

```py
pip3 install https://download.pytorch.org/whl/cu90/torch-1.1.0-cp36-cp36m-win_amd64.whl
```

**粗体**：表示新术语，重要单词或您在屏幕上看到的单词。 例如，菜单或对话框中的单词会出现在这样的文本中。 这是一个示例：“**标量**是单个独立值。”

警告或重要提示如下所示。

提示和技巧如下所示。

# 栏目

在本书中，您会发现几个经常出现的标题（“准备工作”，“操作步骤”，“工作原理”，“另见”。

要给出有关如何完成秘籍的明确说明，请按以下说明使用这些部分：

# 准备

本节告诉您在秘籍中会有什么期望，并介绍如何设置秘籍所需的任何软件或任何初步设置。

# 操作步骤

本节包含遵循秘籍所需的步骤。

## 工作原理

本节通常包括对上一节中发生的情况的详细说明。

# 更多

本节包含有关秘籍的其他信息，以使您对秘籍有更多的了解。

# 另见

本节提供了指向该秘籍其他有用信息的有用链接。