1.2 使用PyTorch进行深度学习

PyTorch是Python程序库，可帮助构建深度学习项目。 它强调灵活性，并允许用惯用的Python表达深度学习模型。 这种易上手和易用性在研究社区中得到了较早的采用，并且自首次发布以来的几年中，它已成长为跨各种应用程序的最杰出的深度学习工具之一。

就像Python用于编程一样，PyTorch为深度学习提供了出色的介绍。 同时，PyTorch已被证明完全有资格在专业环境中用于现实世界中的高质量工作。 我们相信PyTorch清晰的语法，简化的API和易于调试的功能使其成为引入深度学习的绝佳选择。 我们强烈建议您为第一个深度学习库学习PyTorch。 它是否应该成为您学习的最后一个深度学习库，这由您决定。

图1.1中的深度学习机器的核心是一个相当复杂的数学函数，将输入映射到输出。 为了便于表达此功能，PyTorch提供了一个核心数据结构——张量，它是一个多维数组，与NumPy数组有很多相似之处。 在此基础上，PyTorch具备在专用硬件上执行加速数学运算的功能，这使得在单个计算机或并行计算资源上方便地设计神经网络体系结构并对其进行训练。

本书旨在作为软件工程师，数据科学家和精通Python的有志向的学生的入门，使他们能够轻松地使用PyTorch来构建深度学习项目。 我们希望本书尽可能地易于使用和实用，并且希望您能够采用本书中的概念并将其应用于其他领域。 为此，我们采用动手实践的方法，鼓励您随时准备使用计算机，因此您可以使用示例并进一步进行操作。 到本书读完为止，我们希望您能够获得数据源，并在出色的官方文档的支持下，用它来构建深度学习项目。

尽管我们强调了使用PyTorch构建深度学习系统的实际方面，但我们认为为基础的深度学习工具提供无障碍的介绍不仅仅是促进获得新技术技能的一种方法。 这是朝着为各学科的新一代科学家，工程师和从业人员配备工作知识迈出的一步，这些知识将成为未来几十年许多软件项目的基础。

为了充分利用本书，您需要做两件事：

1、有一些使用Python编程的经验。 我们不会对此施加任何压力； 您需要掌握Python数据类型，类，浮点数等。

2、有强烈意愿动手学习。我们将从基础知识入手，并建立起我们的工作知识，如果您跟随我们，这将使您更容易学习。

PyTorch的深度学习分为三个不同的部分。 第1部分介绍了基础，详细研究了PyTorch提供的将图1.1中的深度学习草图与代码一起付诸实践的工作。 第2部分将引导您完成一个涉及医学成像的端到端项目：在CT扫描中查找和分类肿瘤，以第1部分介绍的基本概念为基础，并添加更多高级主题。 第3部分以PyTorch提供的将深度学习模型部署到生产中所提供的内容作为结束，对本书进行了完善。

深度学习是一个巨大的空间。 在本书中，我们将覆盖该领域的一小部分：具体而言，将PyTorch用于较小范围的分类和细分项目，并将对2D和3D数据集的图像处理用于大多数启发性示例。 本书侧重于实用的PyTorch，旨在涵盖足够的基础知识，使您能够通过深度学习解决视觉等现实世界中的机器学习问题，或者探索研究文献中涌现的新模型。 与深度学习研究相关的大多数（如果不是全部）最新出版物可以在位于https://arxiv.org.2的arXiV公共预印本存储库中找到。