本书内容

第1章，PyTorch与深度学习，回顾了人工智能和机器学习的发展史，并介绍了深度学习的最新成果，以及硬件和算法等诸多领域的发展如何引发了深度学习在不同应用上的巨大成功。最后介绍了PyTorch的Python库，它由Facebook基于Torch构建。

第2章，神经网络的构成，讨论了PyTorch的不同组成部分，如变量、张量和nn.module，以及如何将其用于开发神经网络。

第3章，深入了解神经网络，涵盖了训练神经网络的不同过程，如数据的准备、用于批次化张量的数据加载器、创建神经架构的torch.nn包以及PyTorch损失函数和优化器的使用。

第4章，机器学习基础，介绍了不同类型的机器学习问题和相关的挑战，如过拟合和欠拟合等，以及避免过拟合的不同技术，如数据增强、加入dropout和使用批归一化。

第5章，深度学习之计算机视觉，介绍了卷积神经网络的基本组成，如一维和二维卷积、最大池化、平均池化、基础CNN架构、迁移学习以及使用预卷积特征加快训练等。

第6章，序列数据和文本的深度学习，介绍了词向量、如何使用预训练的词向量、RNN、LSTM和对IMDB数据集进行文本分类的一维卷积。

第7章，生成网络，介绍了如何使用深度学习生成艺术图片、使用DCGAN生成新图片，以及使用语言模型生成文本。

第8章，现代网络架构，介绍了可用于计算机视觉的现代架构，如ResNet、Inception和DenseNet。还快速地介绍了可用于现代语言翻译和图像标注系统的encoder-decoder架构。

第9章，未来走向，总结了本书所学内容，并介绍了如何紧跟深度学习领域的最新潮流。