这不，又一个程序员为爱变身灵魂画手，看得我都想学画画了。
阿华是幸运的，因为他找到了对的方法，事半功倍，最终有情人终成眷属。这也得益于 PyTorch 的易学易用，大多数人第一次使用 PyTorch 几乎可以做到无痛上手。就连深度学习三巨头之一，图灵奖得主 Yann LeCun 都在 Twitter 上为 PyTorch 背书。
从 2017 年 1 月 Facebook 公司开源 PyTorch 以来，短短两年时间，PyTorch 便与老牌框架 TensorFlow 势均力敌，成为开源社区仅次于它的深度学习框架。随着越来越多的公司用 PyTorch 进行算法开发，想深入了解它的人变得多起来。
其实 PyTorch 拥有丰富且全面的开发文档，多数人可以通过文档实现完美自学，但是如果希望能够系统学习，免得修炼路上走火入魔的，那阿华获得的这本秘笈也同样适合你。究竟是怎样的秘笈呢？咱们可以小小打探一下。
这秘笈可以说架构非常清晰，分为基础篇、实战篇和高级篇。针对入门 PyTorch 的读者来说，这样的设定是一个最佳的学习路线，真正实现从入门到进阶，而不是从入门到失踪。（得意.JPG）
工欲善其亊，必先利其器。为了满足深度学习任务中“高计算量”这一特殊需求，在基础篇里，作者便从硬件的选择讲起，教你如何配置一台合适的计算机，以及如何在 Mac OS X、Ubuntu 和 Windows 系统下配置 PyTorch 的运行环境。配置完毕后，万事俱备，PyTorch 的学习就要正式开始啦！
我们曾接触过一些其他的深度学习框架，它们大多会涉及一个基本概念，就是 Tensor。何为 Tensor 呢？中文叫作张量，它是 PyTorch 中最基本的数据类型。
Tensor 之于 PyTorch，就好比 Array 之于 NumPy。零维张量就是数字或者标量，一维张量就是向量，二维或者更高维就是矩阵。不管是自然语言处理还是图片处理，都需要把输入信息转化为高维数字矩阵的形式，张量可以说起到了很大的作用。
（张量设计图）
除了张量外，作者还介绍了自动微分（Autograd），它是 PyTorch 进行神经网络优化的核心。让 PyTorch 自动为我们计算微分，这样你在构建自己的函数用于 backward 时，就无需再手动求导了。
基础篇还介绍了一些深度学习的基础知识，这里有你熟悉的线性回归、非线性回归以及逻辑回归。多元分类、反向传播、卷积神经网络等也有涉及。还有两个实现手写体自动识别器的操作给你练手。
实战篇介绍了一些实际的操作方法。假如，我们想做一个小猫识别系统，但是只拥有少量的“小猫标注图片数据”和大量的“小狗标注图片数据”。要怎么办？
你可以先利用大量的小狗图片对卷积神经网络进行训练。由于猫和狗非常相似，所以只要拿少量的小猫图片对该卷积神经网络的全连接层进行微调，就可以得到一个非常好用的小猫识别系统。是不是很腻害。
早在 2014 年，Goodfellow 就提出了生成对抗网络。2016 年起，关于生成对抗网络的论文数量呈指数型增长。有热心人士就在 GitHub 上列出了所有生成对抗网络模型的变体，取名为“生成对抗网络的动物园”（The GAN Zoo）。目前该“动物园”一共列出了 503 种不同的生成对抗网络模型及其变体。
(生成对抗网络论文发表数量统计)
我们可以用生成对抗网络做一些有趣的、接近真实的东西，比如让机器自己产生一幅画、一段文字，或者让机器根据我们的输入条件生成一些东西，可以输入一张图片后输出一段文字描述，或者是输入一段男性的录音后输出一段女性的录音等。
比如，生成一张二次元的头像送给男/女朋友。不过具体步骤就等你自己去探秘啦。以下这些是我帮你收集好的小姐姐们，喜欢的话，拿去用！
不喜欢二次元？没关系！卷积神经网络还可以将一张图片的风格迁移到另外一张图片上，这样我就可以拥有梵高的《星月夜》了~
突然感觉有点赞呢！
除此之外，实战篇还介绍了深度强化模型，以及序列转序列模型。通过序列转序列模型，作者利用 PyTorch 构造了一个神经翻译机，即将神经网络运用在文本翻译中。
因为一般的神经翻译机用的都是序列转序列（seq2seq）模型，神经翻译机会比以前非神经网络的传统算法的准确率高很多。相信会了这个之后，机器翻译再也不是用来搞笑的了。
（截图来自：谷歌翻译）
掌握前两篇的内容之后，作者开始介绍一些 PyTorch 的高级用法。当然，这部分有人需要，有人还需持续修炼之后才会需要。不管怎么样，能学到这里的人，都应该给自己点奖励。
这部分作者分别从四个方面说起，分别是：PyTorch 扩展、PyTorch 模型迁移、Pytorch 可视化以及 Pytorch 的并行计算。
在 PyTorch 扩展中，作者除了介绍两种神经网络的自定义方法外，还介绍了如何将 PyTorch 模型部署到 C++ 环境下以满足在生产环境下，程序需要高性能、低延迟的要求。
在 PyTorch 模型迁移这部分中，作者讲解了如何使用 ONNX 将 PyTorch 模型迁移至 Caffe2，以及迁移至 Core ML。
（ONNX 即开放式神经网络交换，是早前微软和 Facebook 为了解决各种深度学习框架之间的模型迁移问题，共同发布的一个解决方案。如今，PyTorch、Caffe2、Microsoft Cognitive Toolkit 及 MXNet 等框架已经可以支持 ONNX，而 TensorFlow、Core ML 等其他框架虽然还没有官方支持 ONNX，但 ONNX 为它们提供了相应的转换器。）
（ONNX 生态圈）
在 PyTorch 可视化这部分，教你通过使用 Tensorboard 和 Visdom 实现对 PyTorch 的可视化。同时还介绍了一个通用的神经网络可视化工具 Netron。
（visdom 的数据可视化结果）
为了提高训练模型的效率，在实际生产和运用中大部分人都会采用多个 GPU 并行的方式对模型进行训练。PyTorch 则为我们提供了方便的函数，可以自如地创建多个进程或者同时使用多个 GPU 训练模型。最后这部分主要介绍的就是如何将 PyTorch 在多进程、多 CPU 下进行运算。
（多 GPU 训练示意图）
以上呢，就是阿华这本秘笈的主要内容。通篇看下来，作者真的非常了解正在入门 PyTorch 的小伙伴们的痛苦和需求，所以他选择了更适合初学者的思路与讲解方式，基本上是手把手在教了。
而且书中也不乏一些高级技能为已经入门的小伙伴做好进阶的准备。全书 233 页，读起来没啥压力。如果你愿意一步步跟着操作，那么，你会对 PyTorch 有一个全新的认识。
☟
真正实现 PyTorch 深度学习入门
