PyTorch是一个机器学习框架，主要依靠深度神经网络，目前已迅速成为机器学习领域中最可靠的框架之一。
PyTorch 的大部分基础代码源于 Ronan Collobert 等人 在 2007 年发起的 Torch7 项目，该项目源于 Yann LeCun 和 Leon Bottou 首创的编程语言---Lush。 正是鉴于这段丰富的历史经验，我们才能关注需要改变的东西，而不是从零开始。
一些线上或线下的关于PyTorch的课程和大学里的计划课程，以及大量的线上博客和教程，使得PyTorch 学习起来更容易。
PyTorch 最强大且最便利的功能之一是，无论我们设想的网络是什么样子的，它都能替我们进行所有的微积分计算。即使设计改变 了， PyTorch也会自动更新微积分计算，无须我们亲自动手计算梯度 （gradient）。
关于PyTorch的图书
PyTorch深度学习实战
这是一本关于PyTorch的权威著作。它非常详细地介绍了基础知 识和抽象概念， 对诸如张量和神经网络的数据结构进行了分解介绍， 以确保大家能够理解它们的 实现原理。此外，本书还涵盖了一些高级主题，如即时（JIT）编译器和生产环境部署，这些内 容也是 PyTorch 的一部分。
此外，本书还有应用程序相关内容，通过使用神经网络来帮助大家解决一个复杂和重要的医学 问题。凭借 Luca 在生物工程和医学成像方面深厚的专业知识， Eli 在医疗设备和检测软件方面的开 发经验，以及 Thomas 作为 PyTorch 核心开发人员的背景，本书的应用程序相关内容值得认真学习。
它是一本概念性的指南， 旨在引导你在网上独立探索更高级 的材料。因此，我们关注的是 PyTorch 提供的一部分特性，最值得注意的是循环神经网络，但 PyTorch API 的其他部分也同样值得重视。
本书适用于那些已成为或打算成为深度学习实践者以及想了解 PyTorch 的开发人员。我们假 设本书的读者是一些计算机科学家、数据科学家、软件工程师、大学生或以后会学习相关课程的 学生。由于我们并不要求读者有深度学习的先验知识， 因此本书前半部分的某些内容可能对有经 验的实践者来说是一些已经了解的概念。对这些读者来说，我们希望本书能够提供一个与已知主 题稍有不同的视角。
PyTorch生成对抗网络编程
他不仅仅是一本书，更是一个项目笔记。
对许多初学者来说，学习人工智能技术首先要面临两大挑战。第一大挑战便是对于一项技术的理论基础以及工作原理的理解。 在很多教科书中，理论的讲解通常需要大量的数学公式和推导过程。**第二大挑战是，即便初学者理解了理论， 但要将公式转化为可运行的代码，仍然要求初学者具有扎实的编程能力。有没有这样一本书，可以结合理论和编程，帮助初学者快速入门呢？本书正是这样一本 入门教程。**本书搭配简洁的代码和图表，解释核心的理论要点。书中的代码易懂 且实用，可以帮助读者在短时间内构建可运行的模型。同时，模块化的代码可复 用性强，方便读者举一反三。
本书以直白、简短的方式向读者介绍了生成对抗网络，并且教读者如何使用PyTorch按部就班地编写生成对抗网络。全书共3章和5个附录，分别介绍了PyTorch基础知识，用PyTorch开发神经网络，改良神经网络以提升效果，引入CUDA和GPU以加速GAN训练，以及生成高质量图像的卷积GAN、条件式GAN等话题。附录部分介绍了在很多机器学习相关教程中被忽略的主题，包括计算平衡GAN的理想损失值、概率分布和采样，以及卷积如何工作，还简单解释了为什么梯度下降不适用于对抗式机器学习。
本书适合想初步了解GAN以及其工作原理的读者，也适合想要学习如何构建GAN的机器学习从业人员。对于正在学习机器学习相关课程的学生，本书可以帮助读者快速入门，为后续的学习打好基础。