书中以案例形式详细介绍了PyTorch的各种实战应用。具体内容包括PyTorch与TensorFlow的对比和PyTorch的发展现状，张量Tensor和自动微分Autograd及其具体应用，PyTorch构建神经网络，基于PyTorch构建复杂应用，PyTorch高级技巧与实战应用，网络剪枝应用。

第1章 PyTorch简介
1.1 深度学习简介
1.2 PyTorch的由来
1.2.1 深度学习框架回顾
1.2.2 PyTorch前身：Torch
1.2.3 Torch7的重生
1.3 PyTorch与TensorFlow对比
1.3.1 TensorFlow简介
1.3.2 动静之争
1.3.3 二者借鉴融合
1.3.4 PyTorch的优势
1.4 PyTorch发展现状
1.4.1 主要版本特点回顾
1.4.2 准备工作
第2章 PyTorch基础计算
2.1 PyTorch核心基础概念：张量Tensor
2.1.1 Tensor基本介绍
2.1.2 Tensor数学运算操作
2.1.3 Tensor索引分片合并变换操作
2.1.4 Tensor类成员方法
2.1.5 在GPU上计算
2.2 PyTorch可微编程核心：自动微分Autograd
2.2.1 PyTorch自动微分简介
2.2.2 可微分张量
2.2.3 利用自动微分求梯度
2.2.4 Function：自动微分实现基础
2.2.5 注意事项
2.3 PyTorch应用实战一：实现卷积操作
2.3.1 卷积操作
2.3.2 利用张量操作实现卷积
2.4 PyTorch应用实战二：实现卷积神经网络进行图像分类
第3章 PyTorch构建神经网络
3.1 PyTorch神经网络计算核心：torch.nn
3.1.1 nn.Module概述
3.1.2 结构化构建神经网络
3.1.3 经典神经网络层介绍
3.1.4 函数式操作nn.functional
3.2 PyTorch优化器
3.2.1 torch.optim概述
3.2.2 经典优化器介绍
3.2.3 学习率调整
3.3 PyTorch应用实战一：实现二值化神经网络
3.3.1 二值化网络BinaryNet概述
3.3.2 具体实现
3.4 PyTorch应用实战二：利用LSTM实现文本情感分类
3.4.1 文本情感分类
3.4.2 具体实现
第4章 基于PyTorch构建复杂应用
4.1 PyTorch数据加载
4.1.1 数据预处理：torchvision.transforms
4.1.2 数据加载：torch.utils.data
4.2 PyTorch模型搭建
4.2.1 经典模型复用与分享：torchvision.models
4.2.2 模型加载与保存
4.2.3 导出为ONNX格式
4.3 训练过程中日志记录与可视化
4.4 PyTorch应用实战一：在CIFAR10数据集进行神经网络结构搜索
4.4.1 可微分网络架构搜索DARTS介绍
4.4.2 简化问题建模：以ResNet为例
4.4.3 具体实现
4.5 PyTorch应用实战二：在ImageNet数据集进行弱监督物体定位
4.5.1 GradCAM解释显著图方法介绍
4.5.2 弱监督物体定位任务
4.5.3 具体实现
第5章 PyTorch高级技巧与实战应用
5.1 PyTorch并行计算
5.1.1 大规模数据集加载
5.1.2 模型的高效并行计算
5.1.3 加速模型计算和减少显存使用
5.2 扩展PyTorch
5.2.1 利用C++和CUDA实现自定义算子
5.2.2 利用TorchScript导出PyTorch模型
5.3 丰富的PyTorch资源介绍
5.4 PyTorch应用实战一：在ImageNet上训练MobileNet-V2网络
5.4.1 MobileNet-V2网络介绍
5.4.2 具体实现
5.5 PyTorch应用实战二：利用CUDA扩展实现MixConv算子
5.5.1 MixConv算子介绍
5.5.2 借鉴Depthwise卷积实现思路
5.5.3 具体实现
第6章 PyTorch完

中国科学院院士，清华大学人工智能研究院院长张钹倾力推荐
详解PyTorch框架分布式计算、CUDA扩展等高级使用技巧
涵盖图像分类、文本处理、物体定位、自动架构搜索等诸多领域实战案例
丰富的新科研成果引用展示，紧跟人工智能发展前沿
提供完整源代码文件