《PyTorch深度学习实战》是一本介绍如何利用PyTorch框架进行深度学习实践的书籍。通过本书，读者可以学习到如何使用PyTorch构建和训练神经网络模型，处理图像和文本数据，以及应用迁移学习和强化学习等技术。该书内容丰富，案例实用，适合想要深入学习PyTorch和深度学习的读者阅读。
PyTorch深度学习实战读后感第一篇
这本书一大特点是很多图都是作者手绘的，初看有点排斥，但随着内容跟进，作者画的还是挺生动的。
私以为这本书主要分为两大部分，第一部分是PyTorch框架下深度学习的入门指导，也是在下着重看的一部分，通过这一部分的阅读对于深度学习的入门确实收获颇丰（至少是真的入门了）；而后半部分则是医学影像领域的实操，这部分涉及的数据集较大，对设备的要求也较高，但难度尚可，由于时间关系这部分没有仔细看过。
PyTorch深度学习实战读后感第二篇
正所谓工欲善其事，必先利其器。学习人工智能选择一个深度学习框架是我们学习的基础。pytorch深度学习实战这本书从深度学习的基础知识写起，并以编者熟悉的领域的一个实际项目来进行展示，通过pytorch框架进行了实现。由于时间的原因暂时粗读了前三章，该部分是pytorch框架学习的基础内容。本书每一章节的开始都有一个主要内容介绍，便于读者对全章的书写脉络有提个整体的认识，尤其把预训练网络这一章节安排再第二章，可以让我们更直观、简单的就体验到人工智能的乐趣，增加了学习下去的兴趣，对初学者比较友好。 简单、上手快，这一点对于初学者来说是极具吸引力的。 第三章从张量写起，介绍了深度学习的基本数据结构以及运算，是后续学习的基础，也是学习深度学习无法绕开的。本书是一本指导性书籍，非手册类型，后面会接着把书读完。
PyTorch深度学习实战读后感第三篇
试读完本书，先说下本书的整体规划。书中分为两个部分。第一部分，介绍一些深度学习的知识和pytorch的一些基础知识和使用。第二部分从一个真实的例子入手，是一个医学案例检测肺癌的例子，带领你从头到尾构建模型，同时进行相应的部署。在每一章中，在开头都会进行阐述学习目标。这样，我们在学习上会有所关注。在每章的结尾，也会重新回顾一些重要的点和提供一些习题。这种方式，非常有助于我们的学习。 书中的代码和数据集我们都可以获得到，同时也提供了jupyter行式的代码。本书的代码是基于3.6.8的。有一个事实是要提出来的，就是对硬件的要求。在第一部分中，不需要太高的配置，但第二部分就需要机器的配置了。如果你想购买学习，并运行相应的实例，那么你需要解决对硬件的要求。 总的来说，如果你想学习深度学习和pytorch的使用，那么这本书是值得看下的。
PyTorch深度学习实战读后感第四篇
正如译者所说的水平有限，译文确实比较生硬，个人怀疑是机翻后修改的，并且自己还没怎么仔细读译文，写得比较拗口，读起来费劲不易理解。目前这本书英文版的完整电子档已经有了，有条件可以看看原版。
另外此书可以说并不是入门级别的，有些名词业内已然，而初学者是不知道的，但并没有给予解释或者备注在后文详细说明，这可能归因于对阅读者的定位不是入门级的缘故。初学者可配合2019年出版的《Pytorch深度学习》和2018年出版的《Python神经网络编程》更容易理解和上手。
感谢异步社区对人工智能方面国外优秀著作的积极引进并翻译，其次感谢图书出版过程中艰辛付出的各级人员，是你们的细致认真精益求精的态度，让我越来越喜欢异步图书的书。祝异步图书出版越来越多优秀的作品，并对经典作品彩印精装出版。
PyTorch深度学习实战读后感第五篇
首先，本书作为PyTorch深度学习实际操作，需要有一定的基础如python编程实践，PyTorch基本概念，Jupyter Notebook基本操作有一定的经验。好在作者在配图上诙谐幽默，这在读这本书的时间提供了难得会心一笑的时刻。其次，本书从阅读的顺序上设计的比较巧，从基础知识概念等到一个实际的项目的例子，到最后讲解PyTorch部署，提高了让想上手实践的读者的信心，当然就如作者所说，三个部分的作者都不相同，相信在阅读全书的时候会给我们带来不一样的感觉，至少应该不是那么一成不变。最后，我与作者同属于“80后”，见证了从计算机房，网吧到现在人工智能的飞跃性发展，互联网的大潮让那些之前看似遥不可及的科学知识现在也可以让普通人通过一本书来学习的二二三三，这无疑是这个时代的进步，并推动着我们每一个人在求知的道路上砥砺向前，感谢异步社区给我们带来的这本PyTorch深度学习实战书籍，让我们可以如此近距离的与基于PyTorch的深度学习接触。
PyTorch深度学习实战读后感第六篇
了解过深度学习的读者都知道，深度学习是通过提供具有指导性意义的例子来训练深度神经网络的数学实体，通过深度学习可以帮助人们解决很多复杂的问题，而《PyTorch深度学习实战》这本书正为读者使用Python和PyTorch实现深度学习算法提供指导。
翻看了《PyTorch深度学习实战》这本书的前几章，感觉这本书很有趣味性，书中采用了一些漫画生动地表述了文字的内容，让读者能够更好地理解，我认为这是这本书的一大特色。值得一提的是，其封面插图是一位卡巴尔德人，十分引人注目。
虽然这本书也有提及一些深度学习的基础知识，但这本书更适合于有一定Python基础的人，对于小白来讲，最好还是先了解多一些深度学习的基础知识，才更容易阅读本书的内容。正如书本中所说，这并不是一本参考书，相反，它是一本概念性的指南，旨在引导为我们在网上独立探索更高级的材料。
PyTorch深度学习实战读后感第七篇
站在大佬的肩膀上，才能进步的更快！从作者到翻译，都是机器学习方面的佬中佬，除了丰富的理论知识，也是应用领域的实践者和核心成员。
铁打的理论，流水的技术。在新的深度学习理论出现之前，卷积深度神经网络永远都是最核心的知识，永不过时！
关于本书的学习门槛：一定要具备Python或其他任意一门编程语言的经验，并对Python有了解。
推荐想要了解深度学习和人工智能领域的人学习和阅读，毕竟其中很多的知识已经应用于我们生活中的方方面面，比如：翻译，OCR图像识别，图像处理等等领域，而且还有很大的发展空间。
PS：个人最喜欢本书的字体：漂亮，清晰，阅读起来毫不费力。
PyTorch深度学习实战读后感第八篇
你们是怎样定义学习的？ 通过听说读写研究实践去获取技能的过程？亦或者是其他。我所认为就是遵守某种规则，不断完善自己，是自己可以get到更多的credits,或者说，我们就是更加“高级”的计算机，对于现实生活中的一些问题，我们可以自主的抓取问题的本质，提取出通用的“特征”来获得解决问题的办法。
Pytorch深度学习实战是一本很好的入门书籍，当我看到它的时候，它首先介绍了最为核心的思想，让你明白这本书讲的是什么，你应该会什么，如何去做的等。通过阅读序言前言，我仿佛看到了译者那段时间的身影，他通过自己翻译的经历展现了这本书的大概框架，也了解的pytorch的一点点历史。宛如译者指导大家怎样去了解并掌握这个库。
本书分为三个部分，第一部分介绍各种基础知识，第二部分实战项目，第三部分告诉我们自己可以怎样做，步步深入，由简至深。第一部分通过大量的场景以及代码帮助理解，不会让你有阅读纯技术手册的枯燥。由于时间关系，我也只读了前两章，但并不影响我对他的喜爱。
PyTorch深度学习实战读后感第九篇
作为《Deep Learning With Pytorch》的译本，《pytorch深度学习实战》是我很早就开始想读的一本书，但是只有英文版，如今中文版的发行，让我终于有机会深入了解这本书，从前两章的内容来看，它没有让人失望，对于无论是已经接触过pytorch还是没有接触过的人来说，都值得读一读这本书。
书中介绍了pytorch中API的背后的细节以及左右，使读者知其所以然，第一章介绍了深度学习以及pytorch的概述，以及各个框架的更新迭代，有利于读者对该领域有一个宽泛的认识，书中的插图以手绘漫画的形式展现，不仅通俗易懂，而且能吸引读者的注意力，提高专注度，而不会像那些四四方方的插图，显得较为生硬刻板。
作为pytorch官方推荐的书籍，该书从一个个实际的项目出发，从广到深，使读者能够循序渐进地学习到平常不曾关注的细节，作为一个深度学习从业者或者是学习者，只会调用各个API那便注定了无法走远，很容易在一些Bug面前无从下手，这本书有效地防止了这一结果，无论是打印出模型的框架还是数据的具体内容，都把背后的东西摆在了读者面前，强力推荐！
PyTorch深度学习实战读后感第十篇
本书的确是不特别适合新手入门，一定程度是对于how pyTorch，在此基础上又一定程度引申入门到实践的书，定位比较复杂。
但是自己从中收获如下
1、突然理解了为什么身边搞python的同学一定程度热衷于c++，因为在基于python做类python语法扩展的时候，都是需要用另外的高性能语言做开发，c++是一个通用的最佳实现
2、所以pytorch的张量设计就需要在不同的硬件和执行环境中做特定的适配实现，也就是device的概念，这恰恰解释了为什么阿里的隐私计算的函数，对于下层定义是device
3、在此之后本书介绍了从常规的数据分析，到深度学习的分析的技术思路。很多地方解释清楚了为什么选择某些激活函数，卷积的设计初衷。突然仍旧回到最初的理解上，都是实践推动设计
4、介绍完基础理论，本书介绍了一个实践分析例子，对于CT投影的肿瘤分析，可以让用户对于分析一个实践例子有直观的认识。
5、最后介绍了，对于一个模型，如何进行部署进入生产环境。
总体是一个非常好的齐全的书籍，推荐原版，推荐给初中级学习者。
PyTorch深度学习实战读后感第十一篇
本书译自 《Deep Learning With Pytorch》 ，虽然是译文，但读起来感觉非常好，不像一般译文那样生硬，也就能使你更好的理解。 PyTorch 是一个非常著名的框架，主要依靠深度神经网络，目前已迅速成为机器学习领域中最 可靠的框架之一。
本书主要使用 Python 和 PyTorch 实现深度学习算法。并且由浅入深，首先介绍 PyTorch 的核心知识，以一个真实的案例开始讲解。让你明白如何筛选出不可靠 的初始结果，并专注于诊断和修复神经网络中的问题。
最后，介绍了如何通过增强数据训练、改进模型体系结构和执行其他微调来改进结果的方法。通过这个真实的案例，掌握在生产中部署 PyTorch 模型的技能。
本书适合有 Python 基础并有一定的基础线性代数知识的开发人员。
本书由 3 个部分组成。第 1 部分介绍基础知识，详细介绍通过 PyTorch 提供的的深度学习的过程转化为代码实现。第 2 部分将带你完成一个完整的涉及医学影像的端到端项目，CT 扫描结果中查找并对肿瘤进行分类。第 3 部分，简短介绍 PyTorch 提供的将深度学习模型部署到生产环境的相关内容。
PyTorch深度学习实战读后感第十二篇
这本书我之前看过英文版的，这次看中文版，相当于复习一遍。 先说翻译问题。翻译质量一般，我之前看得英文原版，按照我的理解和译者的理解之间有一定的出入。这种出入呢，可能不是从业者或者不是专业的人很难发现，但是对于准确理解技术的话，可能还是有一点差距。而这种出入呢，在这本书的后半部分显得比较严重一点，因为前面的基础部分，其实很多书都大差不差，从基础讲起，将张量，讲机制。但后面涉及到实际项目的话，翻译问题对比之前的可能就显得差距大了一点。但其实这存在一个行业门槛的问题：这门技术发展到现在，已经渐渐成熟，某些术语对于研究者或者业内人士已经是约定好的了，就比如logistics这个术语。但是，对于初学者而言，可能仍不清楚术语的通俗用法，所以在这个上面，初学者或者不是行内的译者可能会存在不统一的问题。 其次，这本书在配套和代码方面相比而言比较好，不失为实战系列的书。比如在线资源，配套的平台之类的。虽然我没去完完整整地每一句代码都运行过，也没有跟英文原版一一对应过，但是看上去没有明显错误，如果有，也可能是印刷错误，对深度学习或者pytorch有一定了解的人也应该能看出来，但那就是勘误问题，不是这本书本身的问题。 最后，这本书其实可以更加拓展一下关于深度学习的其他内容的。（当然，我们引进这本书只是翻译，左右不了原版作者是怎么写的）可以考虑在第二版中添加更加前沿和热门的技术，比如强化学习，知识图谱，时序序列预测，量化交易之类的。当然，如果这样做，某种程度属于进阶的内容了，对初学者可能不太友好。 总体而言，瑕不掩瑜，有条件可以看原版同时支持一下异步社区。
PyTorch深度学习实战读后感第十三篇
这本书我之前看过英文版的，这次看中文版，相当于复习一遍。 先说翻译问题。翻译质量一般，我之前看得英文原版，按照我的理解和译者的理解之间有一定的出入。这种出入呢，可能不是从业者或者不是专业的人很难发现，但是对于准确理解技术的话，可能还是有一点差距。而这种出入呢，在这本书的后半部分显得比较严重一点，因为前面的基础部分，其实很多书都大差不差，从基础讲起，将张量，讲机制。但后面涉及到实际项目的话，翻译问题对比之前的可能就显得差距大了一点。但其实这存在一个行业门槛的问题：这门技术发展到现在，已经渐渐成熟，某些术语对于研究者或者业内人士已经是约定好的了，就比如logistics这个术语。但是，对于初学者而言，可能仍不清楚术语的通俗用法，所以在这个上面，初学者或者不是行内的译者可能会存在不统一的问题。 其次，这本书在配套和代码方面相比而言比较好，不失为实战系列的书。比如在线资源，配套的平台之类的。虽然我没去完完整整地每一句代码都运行过，也没有跟英文原版一一对应过，但是看上去没有明显错误，如果有，也可能是印刷错误，对深度学习或者pytorch有一定了解的人也应该能看出来，但那就是勘误问题，不是这本书本身的问题。 最后，这本书其实可以更加拓展一下关于深度学习的其他内容的。（当然，我们引进这本书只是翻译，左右不了原版作者是怎么写的）可以考虑在第二版中添加更加前沿和热门的技术，比如强化学习，知识图谱，时序序列预测，量化交易之类的。当然，如果这样做，某种程度属于进阶的内容了，对初学者可能不太友好。 总体而言，瑕不掩瑜，有条件可以看原版同时支持一下异步社区。
PyTorch深度学习实战读后感第十四篇
先说评价：优点和缺点都很明显的一本书。
这本书内容包含3个部分。第一部分介绍Pytorch基础知识；第二部分介绍了一个端到端的项目；第三部分介绍Pytorch部署相关知识。
目前市面上介绍Pytorch或者Tensorflow的书，内容安排一般是，先介绍深度学习基础知识，例如张量，反向传播等等，然后基于MLP给个简单的例子。后面接着介绍CNN，RNN以及图像和NLP领域内比较有名的模型。
这本书不一样，这本书的侧重点几乎在图像领域，RNN和NLP相关的介绍非常少。尤其是第二部分的实战内容，用了整整6章，竟然只介绍了一个项目：肺癌检测项目，当然例子也非常详尽。
如果你是图像+医学背景的初学者，那这本书非常适合你。而如果你只是一个对Pytorch感兴趣的初学者，或者是其他领域方向的人，那不太建议阅读此书。这里推荐李沐的《动手学深度学习》，第二版已经支持Pytorch了。
本书还有其他的一些亮点：
对激活函数的介绍，深入讲了一些激活函数的设计原理，比单纯的罗列要好。
实战部分也非常接地气，Tips真的多，例如11.7节里，教你怎么判断资源瓶颈是数据加载还是计算，例如11.2节教你怎么根据CPU和GPU的内容大小来设置batch_size。
Pytorch部署的介绍目前还是比较少，这本书也做了相关介绍，确实是很“实战”了。
所以这本书的优点是，非常适合图像相关领域的初学者，缺点是对普通初学者不太友好，知识也不够通用。
PyTorch深度学习实战读后感第十五篇
在互联网时代，人们感受到了科学技术带来的便捷性。而在互联网领域，一直存在着非常高速的发展与变革。越来越多的新技术，新软件，新方法诞生了，这是一个摸索的过程，也是一个让人非常充满期待的道路。 最近我读了《PyTorch深度学习实战》这本书，本书是教你使用 PyTorch 创建神经网络和深度学习系统的实用指南。在此过程中，它涵盖了整个深度学习管道的关键实践，包括 PyTorch张量 API、用 Python 加载数据、监控训练以及将结果进行可视化展示。
本书更加适合那些有相关的知识储备的人员阅读，尽管这本书已经在内容上展现出便于理解与实用的一面，想要掌握这本书中的知识技能还需要很多实践。 所谓深度学习是一个互联网领域的概念。深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。 它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。 深度学习是一个复杂的机器学习算法，在语音和图像识别方面取得的效果，远远超过先前相关技术。 用更加通俗易懂的话来解释就是，让机器进一步学习，仿佛拥有人的思考能力，偶尔能够更好地解决更复杂的数据运算，处理等工作。而机器能否发展出思维，目前来看还不太可能，不过关于这方面的内容还是引起了很多人的担忧。 在这本书中，既有对PyTorch操作的理论解释，也有根据具体的案例展现出来的详细操作，所以内容上是非常完善的。 在这本书中提到，如果我们有足够的数据点，我们应该确保能够拟合训练数据的模型在数据点之间尽可能有规律。 互联网的学习过程几乎都要建立在数据的支持之下，这也是因为互联网本身不具备理解长篇文字内容的哪里，而在处理数据方面展现出了非常大的优势。 一般来讲，一个模型所吸收的数据越多，这个模型就越可靠。举一个简单的例子，如果我们掷硬币，连续抛三次，可能都是正面朝上。这并不符合我们对于掷硬币概率的认识——掷硬币每次出现正面朝上的概率是1/2。 然而随着我们掷硬币的次数越多，出现正面朝上的概率也就在大致上越接近于1/2。在概率学上类似现象被称为“大数定律”。 如果想要了解PyTorch深度学习理论与方法，这本书非常值得一看。
