PyTorch 书籍

使用 PyTorch 进行深度学习将使这一旅程变得引人入胜且充满乐趣。

PyTorch 是另一个深度学习库，它实际上是 Chainer（完全基于 python 的深度学习库）的一个分支，具有 Torch 的功能。

PyTorch 通过用户友好的前端、分布式培训以及工具和库的生态系统实现快速、灵活的实验和高效生产。

在这里你会得到最好的 PyTorch 书籍。阅读更多你会在这篇文章中找到最好的书评。

1.为深度学习编程 PyTorch：创建和部署深度学习应用程序

朝着掌握深度学习迈出下一步，这种机器学习方法正在以秒的速度改变我们周围的世界。在这本实用的书中，您将使用 Facebook 的开源 PyTorch 框架快速了解关键思想，并获得创建自己的神经网络所需的最新技能。

Ian Pointer 向您展示了如何在基于云的环境中设置 PyTorch，然后通过深入研究每个元素，引导您创建有助于对图像、声音、文本等进行操作的神经架构。他还介绍了将迁移学习应用于图像、调试模型和生产中的 PyTorch 的关键概念。

2.Python深度学习

我向绝对初学者推荐这本书。然而这本书需要基本的 Python 编程知识，尽管你在机器学习、线性代数和微积分方面的任何经验都将有助于更深入地理解这些材料。

立即建立您自己的神经网络。通过易于理解的说明和示例，您将学习深度学习的基础知识，并使用 TensorFlow、Keras、PyTorch 和 Theano 在 Python 中构建您自己的神经网络。虽然您可以选择在大而无聊的教科书上花费数千美元，但我们建议您以一小部分成本获得相同的信息。

3.使用 PyTorch 进行深度学习

每隔一天，我们就会听到有关充分利用深度学习的新方法：改进的医学成像、准确的信用卡欺诈检测、远程天气预报等等。PyTorch 将这些超能力交给您，提供舒适的 Python 体验，让您快速入门，然后随着您和您的深度学习技能变得更加复杂而与您一起成长。

Deep Learning with PyTorch 教你如何使用 Python 和 PyTorch 实现深度学习算法。本书将带您进入一个引人入胜的案例研究：构建一种能够使用 CT 扫描检测恶性肺肿瘤的算法。当作者引导您完成这个真实示例时，您会发现 PyTorch 是多么有效和有趣。

4.使用 PyTorch 进行自然语言处理

使用深度学习第一版构建智能语言应用程序

这本书从头开始教授 NLP 基础知识以及用 python/pytorch 编码的强大设计模式。它通过从一个简单的示例开始并继续使用其他更高级的示例来无缝地教授它，这些示例一遍又一遍地使用相同的设计模式。对我来说，这是学习和记忆的最佳方式。它为我提供了一个基础，让我了解如何使用适当的 Python 面向对象实践以有组织的方式坐下来编写自己的解决方案。

本书旨在将自然语言处理 (NLP) 和深度学习的新手带到涵盖这两个领域的重要主题的品鉴会上。这两个学科领域都呈指数级增长。由于它同时介绍了深度学习和 NLP，并强调了实现，因此本书占据了重要的中间地带。在写这本书的时候，我们不得不做出艰难的，有时甚至是不舒服的选择，选择哪些材料要省略。对于初学者来说，我们希望这本书能够为基础知识打下坚实的基础，并让我们一瞥什么是可能的。机器学习，尤其是深度学习，是一门体验学科，而不是一门智力科学。每章中大量的端到端代码示例邀请您参与其中。

5.使用 PyTorch 应用深度学习

这本书是一本很棒的书，而且写得很好。知道我可以找到检测各种数据问题的方法。phython和机器学习的知识很有趣。

使用 PyTorch 进行应用深度学习可让您对深度学习、其算法及其应用的理解更上一层楼。本书首先帮助您浏览深度学习和 PyTorch 的基础知识。一旦您精通 PyTorch 语法并能够构建单层神经网络，您将逐渐学会通过配置和训练卷积神经网络 (CNN) 来执行图像分类来解决更复杂的数据问题。随着章节的深入，您将发现如何通过实现循环神经网络 (RNN) 来解决 NLP 问题。

6.使用 PyTorch 进行深度学习

使用 PyTorch 平装书构建神经网络模型的实用方法 – 2018 年 2 月 23 日，作者：Vishnu Subramanian

如果您想深入学习 PyTorch，请不要再犹豫了。作者成功地展示了读者可以轻松使用的 PyTorch 实用知识。

7. Pytorch 深度学习示例（第 2 版）

在 40 天内像 AlphaGo Zero 一样从零开始掌握深度学习

作者 Benjamin Young

Pytoch 是一个非常强大、灵活且流行的深度学习框架，但如果您没有太多深度学习背景，学习曲线可能会很陡峭。本书将通过许多有趣的现实世界示例，帮助您从零开始学习和掌握最新的 pytorch 深度学习技术。它涵盖了许多最先进的深度学习技术，例如：卷积神经网络 (CNN)、循环神经网络 (RNN)、Seq2Seq 模型、词嵌入、连接主义时间分类 (CTC)、自动编码器、动态记忆网络 (DMN) )、Deep-Q-learning(DQN/DDQN)、Monte Carlo Tree search (MCTS)、Alphago/Alphazero 等。这本书也可以作为如何在现实生活中使用和理解深度学习的快速指南。

8. 使用 PyTorch 1.0 进行强化学习

探索使用 PyTorch 1.0 平装书构建自学习系统的高级深度学习技术——Armando Fandango 2020 年 2 月 11 日

本书首先向您介绍主要概念，这些概念将帮助您了解强化学习算法的工作原理。然后，您将探索各种主题，这些主题侧重于强化学习领域中最重要和最实用的细节。这本书还将提高您对不同强化学习方法及其算法的了解。随着您的进步，您将涵盖多臂老虎机问题、马尔可夫决策过程 (MDP) 和 Q 学习等概念，这将进一步磨练您开发自学代理的技能。本书的目标是帮助你理解为什么每个 RL 算法以及如何在构建这些代理中发挥重要作用。使用 PyTorch 1 进行动手强化学习。0 还将为您提供有关实施 PyTorch 功能和服务以涵盖一系列 RL 任务的见解。在此之后，您将探索 RL 在企业应用程序的不同部分（例如 NLP、时间序列和计算机视觉）中的使用深度。在结束最后几章时，您将介绍使用流行的 OpenAI Gym 工具包中的环境评估算法的部分。

9. PyTorch 深度学习实践

快速轻松地构建 CNN、RNN、GAN、强化学习等平装本 – 2019 年 4 月 30 日，作者 Sherin Thomas，Sudhanshu Passi

PyTorch Deep Learning Hands-On 展示了如何在 PyTorch 中实现主要的深度学习架构。它涵盖了神经网络、计算机视觉、CNN、自然语言处理 (RNN)、GAN 和强化学习。您还将使用 PyTorch 框架构建深度学习工作流，将 Python 构建的模型迁移到高效的 TorchScript，并使用最复杂的可用工具部署到生产环境。

这是我开始学习机器学习时希望拥有的书之一。当然，我希望 PyTorch 的当前版本也在那时。如果您是初学者，它肯定会让您正确入门，如果您是专家，它将是一个很好的复习，如果您的知识只包括一些从数据中提取答案的现代方法，它将扩大您对机器学习技术的知识。

10.使用 PyTorch 进行深度学习快速入门指南

学习在 Python 平装书中训练和部署神经网络模型 - 2018 年 12 月 24 日，David Julian

本书将向您介绍 PyTorch 深度学习库，并教您如何轻松训练深度学习模型。我们将使用 PyTorch 搭建深度学习环境，然后训练和部署不同类型的深度学习模型，例如 CNN、RNN 和自动编码器。

这本书作为 PyTorch 的入门书非常好。我会给它五颗星，但不幸的是，RNN 章节很难理解。

11. Python 深度学习

使用 PyTorch、Keras 和 TensorFlow 探索深度学习技术和神经网络架构，第 2 版平装本 – 2019 年 1 月 16 日，

作者：Ivan Vasilev（作者）、Daniel Slater（作者）、Gianmario Spacagna（作者）、Peter Roelants（作者）、Valentino佐卡 (作者)

这本书很好地介绍了深度学习和强化学习。首先，它很好地详细解释了神经网络的基础知识。然后，它以易于理解的方式逐步引入更复杂的模型，例如卷积和循环网络。

计算机视觉部分内容全面，理论知识和实践知识很好地结合在一起——尤其是关于残差网络、目标检测和生成网络的部分。

关于自然语言处理的章节很好，但试图在很小的篇幅中介绍大量的材料。解释得更详细一些会更好，尤其是注意力模型和语音识别部分。

有趣的是，这本书还包括对强化学习的介绍——它为该领域的进一步研究奠定了良好的基础。

12.自然语言处理与 Python 快速入门指南

从 Python 开发人员到高效的自然语言处理工程师平装本 – Nirant Kasliwal 2018 年 11 月 30 日

本书将带您从 NLP 的基础知识到构建文本处理应用程序。我们首先介绍基本词汇以及构建 NLP 应用程序的工作流程。

我们使用工业级 NLP 工具来清理和预处理文本、使用语言学自动生成问题和答案、文本嵌入、文本分类器以及构建聊天机器人。通过每个项目，您将学习 NLP 的新概念。您将了解实体识别、词性标注和 Q 和 A 的依赖解析。我们将文本嵌入用于聚类文档和制作聊天机器人，然后使用 scikit-learn 构建分类器。

13. PyTorch 配方：问题解决方法

使用问题解决方法快速了解 Pytorch 的深度学习概念。从 PyTorch 的介绍开始，您将熟悉张量，这是一种用于计算算术运算并了解它们如何操作的数据结构。然后，您将使用 PyTorch 查看概率分布并熟悉其概念。此外，您将深入了解 PyTorch 的转换和图形计算。在此过程中，您将了解神经网络实现和张量微分面临的常见问题，并为它们找到最佳解决方案。

14.用于算法交易的动手机器学习

基于使用 Python 平装书从数据中学习的智能算法设计和实施投资策略 – Stefan Jansen 2018 年 12 月 31 日

本书展示了如何通过 API 或网络抓取来访问市场、基本面和替代数据，并提供了一个评估替代数据的框架。您将在时间序列上下文中练习从模型设计、损失度量定义和参数调整到性能评估的 ML 工作流程。您将了解 ML 算法，例如贝叶斯和集成方法以及流形学习，并将知道如何使用 pandas、statsmodels、sklearn、PyMC3、xgboost、lightgbm 和 catboost 训练和调整这些模型。本书还教您如何使用 spaCy 从文本数据中提取特征、对新闻进行分类和分配情绪分数，以及使用 gensim 对主题进行建模并从财务报告中学习词嵌入。您还将构建和评估神经网络，包括 RNN 和 CNN，

15.开始使用基于 Python 的深度学习进行异常检测：使用 Keras 和 PyTorch

本书首先解释了异常检测是什么、它的用途及其重要性。在介绍了在 Python 中使用 Scikit-Learn 进行异常检测的统计和传统机器学习方法之后，本书介绍了深度学习，详细介绍了如何在 Keras 和 PyTorch 中构建和训练深度学习模型，然后将重点转移到应用程序上以下深度学习模型用于异常检测：各种类型的自动编码器、受限玻尔兹曼机、RNN 和 LSTM 以及时间卷积网络。本书探讨了无监督和半监督异常检测以及基于时间序列的异常检测的基础知识。

私信我，资料，领取学习资源