LeCun力荐，PyTorch官方权威教程书来了，意外的通俗易懂

机器之心报道

参与：一鸣、泽南

千呼万唤始出来，PyTorch 官方权威教程书终于来了。书籍一出便获 LeCun 转推力荐。

PyTorch 无疑是当今最火热的深度学习框架之一。自 2016 年诞生以来，PyTorch 已发展成一个非常繁荣的开发社区。据统计，在 2017 年，深度学习顶会中使用 PyTorch 的论文比例还不到 10%；如今，PyTorch 已经称霸学界，在 CVPR 接收论文中占比 69%，NAACL 和 ACL 都超过了 75%，ICLR 和 ICML 也都超过了 50%。

遗憾的是，PyTorch 官方尚未提供一部权威的教程书籍，尽管官网和其他渠道的相关教程已经浩如烟海。最近，PyTroch 官方终于宣布，官方权威的 PyTorch 教程书终于问世了。消息一经宣布就获得了社区的关注，而图灵奖获得者、Facebook 首席 AI 科学家 Yann LeCun 则直接转推力荐。

虽然纸质书还没有正式出版，但本着开源的原则，这部书的电子版是可以免费下载使用的，因此开发者再也不需要担心没有充足资源学习的问题。毕竟，官方是卯着劲让你学呢。

• 下载地址：https://pytorch.org/deep-learning-with-pytorch-thank-you

书籍初探

本书围绕 PyTorch 这一主题，通过 5 个章节介绍使用方法。本书最大的特点在于：非常通俗易懂，力求让读者理解。注意：本书基于的编程语言是 Python。

书籍内容

本书在开头写到：

这本书意图为熟悉 Python 和希望更好地使用 PyTorch 的软件工程师、数据科学家和有激情的学生提供入门方法，构建深度学习项目。最终，本书会提供上手方法。我们鼓励读者准备好电脑，这样可以尝试研究相关案例，并继续深入学习。

全书重点在于以简单易懂的语言向读者普及深度学习和 PyTorch 的内容。一改往日教程或教科书刻板的风格，全书使用了大量简单易懂的插图，力图让读者能够理解。

图 1.3：单个神经元的简单计算过程，使用动态图。

以图 1.3 为例，它向读者介绍了机器学习中简单的神经元计算过程。除了公式外，还通过图解的直观形式展现了神经元及其权重、偏置量在计算过程中的变化。

而在介绍神经网络的计算过程时，书里也不惜用公式+手绘流程图+插图的形式，力求将整个抽象过程简单明了的显示出来。

图 5.3：一个三层的神经网络架构。

全书各处可见的插图令人印象深刻。为了很好地展示所有可能需要理解的信息，作者不惜采用大量手绘的形式进行展示。例如说，下图中将一维张量转换到二维过程中，使用图解方式说明数据的变化形态。如果只是用标准的张量表示来解读则会造成一定的理解困难。

图 3.2：将一维多通道数据转换为二维多通道数据。在这个过程中，我们需要将每个样本的日期和时间放在不同的坐标轴上。

尽管书中没有配套代码，但是全书随处可见的案例和代码块已经发挥了相应的作用，可以说边看书边写代码都没有问题，而且很多代码都会有类似的「脚注」说明。

设计训练循环的代码块示例。

当然，这部书并不是「神经网络大全」或者「高级 Python 代码进阶」这样的书，读者阅读学习后也只是理解了深度学习的相关知识和 PyTorch 的使用方法。但是作为最基础的入门教程已经很好了，对有高中数学基础的人可能就已经足够。

全书目录

《PyTorch 深度学习》旨在指导人们开始自己的 AI/机器学习开发之路，全书总共只有 5 个章节、120 页，不像很多大部头那样啃不完。本书目录如下：

第一章是通俗易懂的入门内容，主要介绍了「什么是 PyTorch」和「为什么我们要选择 PyTorch」，以及对本书内容层次的总体介绍，让刚刚入门的读者能够顺畅地阅读下去，并对 PyTorch 有一个浅层但是完整的初步认知。

第二章则从张量这一深度学习的基本概念开始，介绍了张量的相关数学机制，以及深度学习是怎样处理数据，完成「学习」这一过程的。

第三章开始则通过张量和真实世界的数据进行联系，说明了如何使用张量表示表格、时序、图像和文本等数据。

第四章则进入机器学习机制的介绍，说明了深度学习的权重更新和反向传播原理。

最后一章主要集中在使用 PyTorch 构建神经网络并拟合数据分布。有了前几章的理论基础，这一章会增加很多代码方面实践介绍。

看起来理论有点多？作者在开头表示，尽管深度学习的上手实践很重要，但是本书的最终目标不仅仅是为读者提供一个工具技能的使用。作者们希望这本书提供的理论知识能够帮助下一代的研究者和从业者在下一个十年的工作中，将书提供的理论作为骨架构建起新的软件和应用。