深度学习原理与 PyTorch 实战 书籍源码

本书的图灵社区主页

本书的目录如下：

1. 深度学习简介
2. PyTorch简介
3. 单车预测器——你的第一个神经网络
4. 机器也懂感情——中文情绪分类器
5. 手写数字识别器——卷积神经网络
6. 手写数字加法机——迁移学习
7. 你自己的Prisma——图像风格迁移
8. 人工智能造假术——图像生成与对抗学习
9. 词汇的星空——词向量与Word2Vec
10. LSTM作曲机——序列生成模型
11. 神经翻译机——端到端的翻译模型
12. AI游戏高手——深度强化学习

书籍简介

人工智能（Artificial Intelligence，简称AI），顾名思义，就是通过计算的方式模拟、延伸和扩展人的智能。它作为计算机科学的一个分支，早在1956年就诞生了。然而，长久以来，人工智能的发展却不能与它的名字相匹配。尽管早期的人工智能在数学定理证明、推理、棋类游戏上取得了长足的进步，但是在拟人化的形象思维方面却与人类相差甚远。例如，一个两三岁的小孩能清楚地认出爸爸和妈妈，但是人工智能却不能。

不过，近年来人工智能的发展却在试图摆脱人们对它的刻板印象。采用深度神经网络技术的人工智能同样可以非常好地进行“形象化”思维。的刻板印象。采用深度神经网络技术的人工智能同样可以非常好地进行“形象化”思维。例如，现在人工智能的人脸识别准确度已经达到了99.7%，超过了人类的准确度97.3%。

然而，这些有关人工智能的新闻会给我们造成一种错觉：人工智能是一种高科技，只有谷歌、微软、脸书这样的大公司才有可能应用，而与我们普通人或者小公司毫无关系。事实并非如此，随着各大公司开源了他们的深度学习框架和平台，我们每一个普通企业或者个人都可以快速地应用人工智能技术。你只要有一台笔记本电脑，就可以轻松玩转深度学习，实现诸如人脸识别、图像生成、机器翻译、聊天机器人等强大的人工智能功能。

工欲善其事，必先利其器。选择一个好的人工智能框架平台是我们跨入这个行业的前提，可以说工具选对了，我们的一只脚就已经跨入了人工智能的大门。本书给大家推荐的“器”自然就是PyTorch了，推荐这个深度学习框架平台有如下几点原因。

• 简单、易用、上手快：这一点对于初学者来说是极具吸引力的。
• 功能强大：从计算机视觉、自然语言处理再到深度强化学习，PyTorch的功能异常强大。而且，支持PyTorch、功能强大的包也越来越多，例如Allen NLP（自然语言处理）和Pyro（概率编程）。
• Python化编程：在诸多深度学习开源框架平台中，PyTorch恐怕是和Python结合得最好的一个。相比较TensorFlow框架来说，PyTorch将会让你的代码更流畅舒服。
• 强大的社区支持：对于一个小白来说，如何找到“老司机”来交流经验恐怕是最迫切的问题了。尽管PyTorch仅一岁有余，但是它的社区却成长飞快。在国内，用PyTorch作为关键词就能搜索到大概五六个网络社区、BBS。各大问答类网站关于PyTorch的问题数目也在持续增多。

如此强大的功能，如此好用的工具，绝对是值得我们大力推广的。然而，目前有关PyTorch的多数资料还是以英文为主，大部分介绍深度学习、人工智能的资料还充斥着大量的数学公式，这对普通用户而言是一个不小的门槛。因此，集智俱乐部的成员合力编写了这本书，力求进一步推广PyTorch，普及人工智能和深度学习等新技术。

肩负着这样的使命，本书悄然诞生了。本书内容来源于张江老师在“集智AI学园”开设的网络课程——“火炬上的深度学习”，经各位成员的精心整理和不断完善，最终成书。希望能进一步推广PyTorch，让更多人有机会掌握人工智能和深度学习等新技术，进入人工智能这个发展迅猛的行业，共享人工智能带来的发展红利。

book_DeepLearning_in_PyTorch_Source 快速上手指南

本指南旨在帮助开发者快速搭建《深度学习原理与 PyTorch 实战》书籍源码的运行环境，并启动第一个深度学习项目。

环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统：Windows 10/11, macOS, 或 Linux (推荐 Ubuntu 20.04+)
• Python 版本：Python 3.8 - 3.10 (建议避免使用过新或过旧的版本以保证兼容性)
• 硬件要求：
  • 基础学习：普通笔记本电脑即可（CPU 模式）。
  • 进阶训练（如图像生成、强化学习）：建议配备 NVIDIA GPU 及对应的 CUDA 驱动，以加速模型训练。
• 前置依赖：
  • pip (Python 包管理工具)
  • git (用于克隆代码仓库)

安装步骤

1. 获取源码

使用 git 克隆本书的源代码仓库到本地：

git clone https://github.com/wangshusen/DeepLearning_with_PyTorch.git
cd DeepLearning_with_PyTorch

(注：如果上述官方地址访问缓慢，可尝试在 Gitee 等国内平台搜索同名镜像)

2. 创建虚拟环境（推荐）

为了避免依赖冲突，建议使用 venv 或 conda 创建独立的虚拟环境。

使用 venv:

python -m venv venv
# Windows
venv\Scripts\activate
# macOS/Linux
source venv/bin/activate

3. 安装依赖库

本项目核心依赖为 PyTorch 及相关数据处理库。为了获得最佳下载速度，强烈推荐使用国内镜像源进行安装。

安装 PyTorch (CPU 版本 - 适合无显卡环境):

pip install torch torchvision torchaudio -i https://pypi.tuna.tsinghua.edu.cn/simple

安装 PyTorch (GPU 版本 - 适合有 NVIDIA 显卡环境): 请根据您的 CUDA 版本选择对应的命令，以下为通用示例（CUDA 11.8）：

pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118 -i https://pypi.tuna.tsinghua.edu.cn/simple

安装其他项目依赖: 进入源码目录，安装 requirements.txt 中列出的其他库（如 matplotlib, numpy, sklearn 等）：

pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

(如果根目录没有 requirements.txt，通常各章节文件夹下会有独立的依赖文件，或仅需上述核心库即可运行大部分示例)

基本使用

本书涵盖了从基础神经网络到复杂生成模型的 12 个章节。以下以第 3 章：单车预测器——你的第一个神经网络为例，演示如何运行代码。

1. 进入对应章节目录：

   cd chapter_03_bike_predictor
   

   (注：实际目录名可能略有不同，请根据仓库实际文件夹名称调整，例如 03_bike_predictor)

2. 查看并运行示例脚本： 通常每个章节包含一个主要的 .py 执行文件。假设主文件名为 main.py 或 train.py：

   python main.py
   

3. 预期结果： 程序启动后，终端将输出数据加载信息、模型结构摘要以及训练过程中的损失值（Loss）变化。如果是包含可视化的章节（如手写数字识别），将会弹出窗口显示训练结果或生成的图像。

探索更多： 您可以按照书籍目录顺序，依次进入 chapter_04 (情绪分类), chapter_05 (卷积神经网络) 等目录，重复上述步骤来体验不同的 AI 应用场景。所有代码均基于原生 PyTorch 编写，结构清晰，非常适合阅读源码学习。