【开源书】PyTorch深度学习起步，零基础入门(附pdf下载)- 专知

【开源书】PyTorch深度学习起步，零基础入门(附pdf下载)

【导读】Vipul Vaibhaw在Github开源了一份关于Pytorch深度学习的书册，《First steps towards Deep Learning with pyTorch》，这是一本关于深度学习的开源书籍。这本书应该是非数学的，迎合了那些没有深度学习经验，数学知识和兴趣很少的读者。这本书旨在帮助读者迈出深度学习的“第一步”。

https://github.com/vaibhawvipul/First-steps-towards-Deep-Learning

小册子22页pdf版本便捷下载：

请关注专知公众号（点击上方蓝色专知关注）

后台回复“DLPB” 就可以获取《PyTorch深度学习起步》的下载链接~

内容目录

第一章理解人工神经网络 Understanding Artificial Neural Networks

随着时间的推移，我们人类对某些学科的好奇心呈指数级增长。宇宙、奇点、生命的意义、上帝、无限和大脑是排在榜首的。随着时间的推移，我们的大脑变得越来越有效率，我们开始深入思考问题，并开始提出正确的问题。我将在这里列出一些美丽的问题，当你阅读它们的时候，请暂停一下，为它所展示的几个世纪以来人类的进步鼓掌——

我们在宇宙中是孤独的吗?
意识是什么?所有的生物都有意识吗?
是什么让我们成为人类?-不可能只是DNA，因为人类的基因组和黑猩猩的99%是一样的
质数有什么奇怪的?
我们有自由意志吗?
P与NP
我们的大脑是如何工作的?

神经网络受到我们大脑工作方式的启发。下图是一个图形化的流程，其中圆圈代表神经元，边缘代表轴突。数字{w1, w2…wn}是神经网络权值的集合。权值是神经网络的关键部分，因为权值是神经网络在训练过程中调整的参数。

模型初始化(我们将在稍后讨论)

正向传播——预测输出。

反向传播——在定义损失函数的基础上，计算模型与真实值的距离，然后更新网络中的权值。这些更新是通过优化器所做的差分来实现的。

Geoffery Hinton，当前人工智能繁荣之父，对反向传播深表怀疑。他说:“我的观点是扔掉一切，重新开始，我不认为这是大脑的工作方式。我们显然不需要所有标注的数据”。我们人类试图在一切事物中找到规律。我们是在数据的稀缺性和稀疏性的情况下做到这一点的。一定有比反向传播更好的方法。我们需要更多地思考无监督学习。

第二章 Pytorch介绍 Introduction to Pytorch

Pytorch是一个基于python的科学计算框架，它也帮助我们设计深度神经网络。python的友好性使得初学者可以很容易地开始编写代码。Python已经成为机器学习领域的通用语。

第三章如何让计算机看见？

计算机视觉一直是研究人员最感兴趣的领域之一。可以说，在深度学习领域取得了很大的进步，其动力来自于解决一些计算机视觉问题的挑战，如目标检测、分类等。

卷积神经网络

在深度学习领域，卷积神经网络(ConvNets或CNNs)已成为解决图像相关问题的标准方法。与之前的CNNs相比，CNNs最好的部分是它们需要的预处理少得多。几乎不需要硬编码的特性。

第四章如何让计算机记忆？

灵感

RNNs是什么?

LSTM及其变体

在pytorch中使用LSTMs生成单词

该领域的进展