在人工智能时代，机器学习技术日新月异，深度学习是机器学习领域中一个全新的研究方向和应用热点，它是机器学习的一种，也是实现人工智能的必由之路。深度学习的出现不仅推动了机器学习的发展，而且促进了人工智能技术的革新，已经被成功应用在语音识别、图像分类识别、地球物理、大语言模型等领域，具有巨大的发展潜力和价值。

本书是一本带领读者快速学习PyTorch并将其运用于深度学习建模方向的入门指南，重点介绍了基于PyTorch的数值建模、图像建模、文本建模、音频建模、模型可视化和大语言模型等。全书的重点是动手学，试图带领读者在实操中学习，为此全书每一章基本上都精心设计了动手练习案例，同时还给出了上机练习题，上机练习题给出了实现代码的操作步骤，读者只需要按步骤操作即可，在动手中理解概念、发现问题、解决问题，另外，本书所有代码都给出了详细的注解和说明，大大降低了读者理解代码的困惑，希望读者能够理解编者的想法。

本书内容介绍

本书共分11章，各章内容概述如下：

第1章是深度学习和PyTorch入门知识，内容包括深度学习概述、搭建开发环境以及应用  场景。

第2章介绍PyTorch与数学基础，内容包括函数、微分、数理统计、矩阵等基础知识及其    案例。

第3章介绍数据预处理及常用工具，内容包括NumPy、Matplotlib、数据清洗、特征工程、深度学习解决问题的一般步骤等。

第4章介绍PyTorch相关基本概念，内容包括张量的创建、激活函数、损失函数、优化器等。

第5章介绍PyTorch深度神经网络，内容包括神经网络概述、卷积神经网络、循环神经网   络等。

第6章介绍PyTorch数据建模，内容包括回归分析、聚类分析、主成分分析、模型评估与调优等。

第7章介绍PyTorch图像建模，内容包括图像分类技术、图像识别技术、图像分割技术及其案例。

第8章介绍PyTorch文本建模，内容包括Word2Vec模型、Seq2Seq模型、Attention模型及其案例。

第9章介绍PyTorch音频建模，内容包括音频处理及应用、音频特征提取、音频建模案例。

第10章介绍PyTorch模型可视化，内容包括Visdom、TensorBoard、Pytorchviz、Netron。

第11章介绍从深度学习到大语言模型，内容包括大语言模型的原理、主要的大语言模型以及常用的模型预训练与微调技术。

本书的主要特色

1）由浅入深，循序渐进，易于初学者学习

从PyTorch开发环境讲起，循序渐进地介绍相关数学基础、深度学习和PyTorch的基本知识以及常用工具，并辅之以操作示例和步骤演示，图文并茂，易于初学者快速理解。

2）边学边练，在实操中掌握，成就感十足

本书各章都提供了相应的动手练习案例，读者可以从这些案例中提高运用深度学习算法的综合能力，理解深度学习项目实施的具体流程，所有案例尽可能贴近实际工作，为读者解决深度学习实际问题打下基础，学以致用是本书的一大特色。

3）丰富的上机操作题，大大提升应用技能

本书精心设计了31道上机练习题，所有上机练习题还提供了详细的实现代码和操作步骤，读者按照步骤演练即可。在上机练习中，读者可以加深对理论知识的理解，发现问题并及时   解决。

4）技术先进，代码注释详尽

本书基于PyTorch 2.2新版编撰，书中所有示例代码都提供了详尽的注释和说明，大大降低了读者理解代码的难度，本书还在最后介绍了当前热点的大模型的基本概念、模型本地化部署、预训练和微调技术等知识，让读者能够与时俱进，跟上技术发展的步伐。

本书适合的读者

本书是一本PyTorch和深度学习建模入门指南，读者可以通过本书学习PyTorch的使用，掌握深度学习的概念及其应用，本书主要适合以下读者：

1. 深度学习、数据分析和数据挖掘的初学者和在校学生。
2. 软件行业AI的程序员、人工智能行业从业者。
3. 对深度学习感兴趣的各类人员。
4. 培训机构和高校相关专业的学生。

配书资源下载

为了方便读者使用本书，本书还提供了数据集、源代码和PPT，扫描以下二维码即可下载：

        

如果读者在学习本书的过程中遇到问题，可以发送邮件至booksaga@126.com，邮件主题写“动手学PyTorch建模与应用：从深度学习到大模型”。

感谢读者选择本书。由于编者水平有限，书中难免存在疏漏之处，敬请广大读者和业界专家批评指正。

《动手学PyTorch建模与应用：从深度学习到大模型》(王国平)【摘要 书评 试读】- 京东图书 (jd.com)