深度學習如今已經成為科技領域炙手可熱的技術
，在本書中，我們將幫助你入門深度學習。廖星宇編
著的《深度學習入門之PyTorch》將從機器學習和深
度學習的基礎理論入手，從零開始學習PyTorch，了
解PyTorch基礎，以及如何用PyTorch框架搭建模型。
通過閱讀本書，你將學到機器學習中的線性回歸和
Logistic回歸、深度學習的優化方法、多層全連接神
經網絡、卷積神經網絡、循環神經網絡，以及生成對
抗網絡，最後通過實戰了解深度學習前沿的研究成果
，以及PyTorch在實際項目中的應用。
本書將理論和代碼相結合，幫助讀者更好地入門
深度學習，適合任何對深度學習感興趣的人閱讀。

第1章 深度學習介紹
1.1 人工智能
1.2 數據挖掘、機器學習與深度學習
1.2.1 數據挖掘
1.2.2 機器學習
1.2.3 深度學習
1.3 學習資源與建議
第2章 深度學習框架
2.1 深度學習框架介紹
2.2 PyTorch 介紹
2.2.1 什麼是PyTorch
2.2.2 為何要使用PyTorch
2.3 配置PyTorch 深度學習環境
2.3.1 操作繫統的選擇
2.3.2 Python 開發環境的安裝
2.3.3 PyTorch 的安裝
第3章 多層全連接神經網絡
3.1 熱身：PyTorch 基礎
3.1.1 Tensor（張量）
3.1.2 Variable（變量）
3.1.3 Dataset（數據集）
3.1.4 nn.Module（模組）
3.1.5 torch.optim（優化）
3.1.6 模型的保存和加載
3.2 線性模型
3.2.1 問題介紹
3.2.2 一維線性回歸
3.2.3 多維線性回歸
3.2.4 一維線性回歸的代碼實現
3.2.5 多項式回歸
3.3 分類問題
3.3.1 問題介紹
3.3.2 Logistic 起源
3.3.3 Logistic 分布
3.3.4 二分類的Logistic 回歸
3.3.5 模型的參數估計
3.3.6 Logistic 回歸的代碼實現
3.4 簡單的多層全連接前向網絡
3.4.1 模擬神經元
3.4.2 單層神經網絡的分類器
3.4.3 激活函數
3.4.4 神經網絡的結構
3.4.5 模型的表示能力與容量
3.5 深度學習的基石：反向傳播算法
3.5.1 鏈式法則
3.5.2 反向傳播算法
3.5.3 Sigmoid 函數舉例
3.6 各種優化算法的變式
3.6.1 梯度下降法
3.6.2 梯度下降法的變式