PyTorch 最強大且最便利的功能之一是，無論我們設想的網路是 什麼樣子的，它都能替我們進行所有的微積分計算。即使設計改變 了，PyTorch 也會自動更新微積分計算，無須我們親自動手計算梯度 （gradient）。

同時，PyTorch 儘量在外觀體驗上與 Python 保持一致，以幫助 Python 使用者快速上手

學習PyTorch和GAN最好的書《PyTorch生成對抗網路程式設計》

讀過這本書後對PyTorch的基礎知識有了較深的理解您已經獲得了使用這些知識來構建和訓練多神經網路的實踐經驗。您已對GAN有了一定的瞭解收穫設計網路、見證網路失敗，並對失敗進行補救的實戰經驗。（具備這樣經驗的人才並不多喲！！！）

您很幸運 地參與了機器學習的最前沿工作。您的某個想法完全有可能成為具有突破性的研究成果，這相當令人振奮！

未來方向

在《PyTorch生成對抗網路程式設計》中，我們儘量控制內容，將重點放在影象生成上。不過，GAN也可以學習其他型別的資料，如聲音、影片甚至自然語言等。雖然應用不同，但是它們的核心概念是一樣的。

目前，有很多研究試圖探索新的方法來改良GAN的訓練。同時，關於GAN如何訓練 以及為什麼訓練會失敗的理論研究也在進行中。大量不同的想法和方法不斷被提出，比較全新的損失函式、懲罰單一性輸出的有趣架構等。我們建議您親自參與探索。

在我看來，最有希望的研究方向之一是關於梯度下降的。簡單來說，在兩個或更多的代理試圖實現對立的目標時，梯度下降很可能不是理想的最佳化方法。

既使是最基本的問題，同樣有待解答。比如，如何衡量和比較一個由GAN生成的影象的質量和多樣性？我們如何科學合理地比較兩個不同GAN架構的效果？

學習本書的線路圖內容簡介

全書共3章和5個附錄，分別介紹了PyTorch基礎知識，用PyTorch開發神經網路，改良神經網路以提升效果，引入CUDA和GPU以加速GAN訓練，以及生成高質量影象的卷積GAN、條件式GAN等話題。附錄部分介紹了在很多機器學習相關教程中被忽略的主題，包括計算平衡GAN的理想損失值、機率分佈和取樣，以及卷積如何工作，還簡單解釋了為什麼梯度下降不適用於對抗式機器學習。

免費和開源內容

本書提及的構建GAN所需要的工具和服務都是免費或開源的。我們希望幫助更多讀者瞭解並學會構建神經網路和GAN，因此免費和開源工具十分重要。

Python是最受歡迎、最容易上手的程式語言之一。它已經成為機器學習和人工智慧領域的標準語言。它擁有活躍的全球社群以及完善的庫生態系統。目前，谷歌（Google）提供一個免費的網頁版Python開發環境——GoogleColab。這意味著，我們無須安裝Python或任何軟體，僅需要一臺計算機和一個瀏覽器，即可完全在Google Colab上開發並執行強大的神經網路。

PyTorch是Python的一個擴充套件工具集，它簡化了設計、構建以及執行機器學習模型的流程，與TensorFlow並列為最流行的機器學習架構。同時，這些工具常用於工業界，保證讀者可以學以致用。

詳細目錄

第 1 章　PyTorch和神經網路 0011．1　PyTorch入門　0011．2　初試PyTorch神經網路　0181．3　改良方法　0431．4　CUDA基礎知識　054第　2 章 GAN初步　0642．1　GAN的概念　0642．2　生成1010格式規律　0722．3　生成手寫數字　0902．4　生成人臉影象　117第　3 章 卷積GAN和條件式GAN　1403．1　卷積GAN　1403．2　條件式GAN　1663．3　結語　176附錄A　理想的損失值　178A．1　MSE損失　178A．2　BCE損失　179附錄B　GAN學習可能性　186B．1　GAN不會記憶訓練資料　186B．2　簡單的例子　187B．3　從一個機率分佈中生成影象　188B．4　為影象特徵學習畫素組合　189B．5　多模式以及模式崩潰　190附錄C　卷積案例　191C．1　例1： 卷積，步長為1，無補全　191C．2　例2： 卷積，步長為2，無補全　192C．3　例3： 卷積，步長為2，有補全　193C．4　例4： 卷積，不完全覆蓋　194C．5　例5： 轉置卷積，步長為2，無補全　194C．6　例6： 轉置卷積，步長為1，無補全　196C．7　例7： 轉置卷積，步長為2，有補全　197C．8　計算輸出大小　197附錄D　不穩定學習　199D．1　梯度下降是否適用於訓練GAN　199D．2　簡單的對抗案例　199D．3　梯度下降並不適合對抗博弈　203D．4　為什麼是圓形軌跡　204附錄E　相關資料集和軟體　205E．1　MNIST資料集　205E．2　CelebA資料集　205E．3　英偉達和谷歌　206E．4　開源軟體　206