读书笔记

作为PyTorch的日常使用者，我从这本书中学到了不少知识。下面简要介绍一下我对本书的阅读总结和感受。

这本书分为三部分。第1部分（第1-9章）介绍了PyTorch和深度学习背后的广泛概念。值得注意的是，它从自上而下的方法开始，即使用预先训练的模型。然后，它更详细地解释了PyTorch，并从基本层面解释了用于图像分类的多层感知器和卷积神经网络。我特别喜欢本书关于PyTorch的介绍方法，非常易于理解。然而，总的来说，它仍处于初级阶段——它更适合新手，而不是高级从业者【下面给出了书中的一个示意图，书中还有许多这样的图，帮助读者理解】。第2部分（第9-14章）提供了一种特别有趣和新颖的方法。这五章引导读者从头到尾亲身体验计算机视觉项目。该项目的中心是在肺部CT扫描（3D数据）中检测癌结节。各章相互连接，读起来就像一个故事，引导读者了解各个组成部分：数据加载、分段、分组、分类、分析和诊断。第一章重点关注并强调理解底层数据也很好，这是现实项目中的一个关键方面，常常被忽视。最后，第3部分（第15章）讨论了PyTorch的生产和部署方面。它更类似于第1部分，其中各节是自包含的示例和解释（与第2部分中的顺序项目相反）。第三部分只有一章，因此相对较短。然而，简洁却能表明PyTorch的部署工具并没有那么复杂。特别是，它涵盖了通过Flask和Sanic进行的基本服务器部署，通过ONNX导出PyTorch模型，PyTorch的JIT用于跟踪和脚本，以及在移动设备上运行PyToch模型。

Pytorch项目的生命周期图

总的来说，这本书非常简单易懂。它涵盖了深度学习和PyTorch的基础知识，除了熟悉Python之外，不需要任何先前的知识。引用作者的话，“我们宁愿把事情简单化，这样我们就可以专注于基本概念；一旦掌握了基本知识，聪明的东西就可以在以后出现”。这样，它与Goodfellow等人的《深度学习》（Deep Learning）一书正好相反，这本书没有代码，更适合那些有一些基本深度学习经验的人。实际上，这两本书是互补的（例如，初学者可以从PyTorch这本书开始，以获得基本的理解，然后深入了解Goodfellow等人的书的更多细节）。应该注意的一个方面是，这本书非常注重计算机视觉，所有神经网络示例都是在图像数据的背景下给出的，但文本等其他数据形式不包括在内。此外，本书还限于多层感知器和卷积结构（U-Net和ResNet）；不同类型的神经网络架构，如递归神经网络、图形神经网络、自动编码器、生成对抗网络和变压器，不在本书的范围内，所以相关领域的读者需要注意。