前言
深度学习领域技术的飞速发展，给人们的生活带来了很大改变。例如，智能语音助手能够与人类无障碍地沟通，甚至在视频通话时可以提供实时翻译；将手机摄像头聚焦在某个物体上，该物体的相关信息就会被迅速地反馈给使用者；在购物网站上浏览商品时，机器也在同时分析着用户的偏好，并及时个性化地推荐用户可能感兴趣的商品。原先以为只有人类才能做到的事，现在机器也能毫无差错地完成，甚至超越人类，这显然与深度学习的发展密不可分，技术正引领人类社会走向崭新的世界。
PyTorch是当前主流深度学习框架之一，其设计追求最少的封装、最直观的设计，其简洁优美的特性使得PyTorch代码更易理解，对新手非常友好。本书选择PyTorch作为深度学习框架，以方便读者阅读。
本书以深度学习为主题，将理论与简明实战案例相结合，以加深读者对于理论知识的理解。本书首先介绍深度学习领域的现状，深度学习领域和其他领域技术之间的关系，以及它们的主要特点和适用范围；接下来，详细讲解PyTorch框架中的基本操作，并在讲解深度学习理论知识的同时，提供完整、详尽的实现过程，供读者参考。相信读者在阅读完本书后，会对深度学习有全面而深刻的了解，同时具备相当强的实践能力。

全书共分为两篇，包括16章内容。
基础篇涵盖第1~8章，第1章深度学习简介，包括计算机视觉、自然语言处理、强化学习； 第2章深度学习框架，包括Caffe、TensorFlow、PyTorch； 第3章机器学习基础知识，包括模型评估与模型参数选择、监督学习与非监督学习； 第4章PyTorch深度学习基础，包括Tensor对象及其运算，Tensor的索引和切片，Tensor的变换、拼接和拆分，PyTorch的Reduction操作，PyTorch的自动微分； 第5章Logistic回归，包括线性回归、Logistic回归、用PyTorch实现Logistic回归； 第6章神经网络基础，包括基础概念、感知器、BP神经网络、Dropout正则化、批标准化； 第7章卷积神经网络与计算机视觉，包括卷积神经网络的基本思想、卷积操作、池化层、卷积神经网络、经典网络结构、用PyTorch进行手写数字识别； 第8章神经网络与自然语言处理，包括语言建模、基于多层感知机的架构、基于循环神经网络的架构、基于卷积神经网络的架构、基于Transformer的架构、表示学习与预训练技术。
实战篇涵盖第9~16章，第9章搭建卷积神经网络进行图像分类，包括实验数据准备、数据预处理和准备、模型构建、模型训练与结果评估； 第10章图像风格迁移，包括VGG模型、图像风格迁移介绍、内容损失函数、风格损失函数、优化过程、图像风格迁移主程序的实现； 第11章基于RNN的文本分类，包括数据准备、将名字转换为张量、构建神经网络、训练、绘制损失变化图、预测结果、预测用户输入； 第12章基于CNN的视频行为识别，包括问题表述、源码结构、数据准备、模型搭建与训练、特征图可视化； 第13章实现对抗性样本生成，包括威胁模型、快速梯度符号攻击、代码实现、对抗示例； 第14章实现基于LSTM的情感分析，包括情感分析常用的Python工具库、数据样本分析、数据预处理、算法模型； 第15章实现DCGAN，包括生成对抗网络、DCGAN介绍、初始化代码、模型实现、结果； 第16章视觉问答，包括视觉问答简介、基于BottomUp Attention的联合嵌入模型、准备工作、实现基础模块、实现问题嵌入模块、实现TopDown Attention模块、组装完整的VQA系统、运行VQA实验。

本书特色
(1) 内容涵盖深度学习数学基础讲解，便于没有大学本科数学基础的读者阅读。
(2) 提供实际可运行的代码和让读者可以亲自试验的学习环境。
(3) 对于误差反向传播法、卷积运算等看起来很复杂的技术，帮助读者在实现层面上理解。
(4) 介绍流行的技术(如Batch Normalization)并进行实现。
(5) 提供真实的案例、完整的构建过程以及相应源代码，使读者能完整感受完成深度学习项目的过程。

源代码



本书由吕云翔、刘卓然、关捷雄、欧阳植昊、杨卓谦、华昱云、陈妙然、黎昆昌、吕可馨、王渌汀编写，曾洪立参与了部分内容的编写并进行了素材整理及配套资源制作等。 
由于作者水平和能力有限，书中难免有疏漏之处，恳请各位同仁和广大读者批评指正。

作者2021年1月