PDF 鏈接：https://pan.baidu.com/s/1gO9M2Q-WgQueXZ6yOtQiaQ
提取碼：z5t5
書中代碼github：https://github.com/L1aoXingyu/code-of-learn-deep-learning-with-pytorch
Pytorch學習資源與建議
隨着近年深度學習的興起，很多研究者都投入這個領域當中，由於各個大學都將自己的課程放到了網上，出現了很多學習資源和網絡課程，而且很多大公司如Google.Facebook都將自己的開源框架放到了Github上，使得深度學習的人門越來越簡單，很多麻煩的重復操作已經通過框架簡化了，這也讓我們每個人都能有機會接觸深度學習。
網上有各種各樣的學習經驗分享，有的人注重理論知識的積累，看了很多書，但是動手實踐的經驗為0；也有一些人熱衷於代碼的實現，每天學習別人已經寫好的代碼。對於這兩種情況，我認為都是不好的，深度學習是理論和工程相結合的領域，不僅僅需要寫代碼的能力強，也需要有理論知識能夠看懂論文，實現論文提出來的新想法，所以我們的學習路線應該是理論與代碼相結合，平衡兩邊的學習任務，不能出現只管一邊而不學另外一邊的情況，因為只有理論與代碼兼顧才不至於一旦學習深入，就會發現自己會有很多知識的漏洞。
在學習本書之前，需要一定的Python語言基礎和微積分、線性代數的基礎，下面將給出開始閱讀本書之前的學習建議，以及讀完本書后繼續深入了解深度學習領域的學習建議。
在開始本書之前，對於微積分和線性代數需要掌握的知識並不多，對於微積分只需要知道導數和偏導數，對於線性導數只需要知道矩陣乘法就可以了對於Python語言，給出三個學習資源，學完第一個學習資源之后就可以沒有障礙地閱讀完本書，后續的兩個學習資源幫助你更深入地了解Python語言及其數值計算。
（1）《笨方法學Python）（Learn Python the Hard May）
本書面向零基礎的學者，通過一系列簡單的例子快速入門Python的基本操作。
（2）雪峰的Python人門
這個系列教程可用來更全面地學習Python，掌握前幾章的Python基礎即可，后面講授的部分是更為專業的Web開發的內容，對於機器學習而言不需要掌握這些部分。
（3）Edx：Introduction to Computer Science and Programming Using Python這是MIT的公開課，以Python作為人門語言，簡潔、全面地講述了計算機科學的內容，適合更進一步的學習。
以上的Python人門課程只需要看完第一個學習資源便可開始本書的閱讀。
下面給出讀完本書，以及在本書的閱讀過程中的一些參考學習資源。
（1）線性代數
線性代數相當於深度學習的基石，深度學習里面有着大量的矩陣運算，而且線性代數的一些矩陣分解的思想也被借鑒到了機器學習中，所以必須熟練掌握線性代數。可參考以下資源學習：
-
《線性代數應該這樣學》（Linear Algebra done right）
-
MIT的線性代數公開課
-
Coding The Matrix
（2）機器學習基礎
雖然深度學習現在很火，但是也需要掌握其根本，即機器學習，這才是本質與核心。
這里的學習資源從易到難排列：
-
Coursera上Andrew Ng的機器學習入門課程
-
林軒田的機器學習基石和機器學習技法
-
Udacity的機器學習納米學位
-
周志華著的《機器學習》
-
李航著的《統計學習方法》
-
Pattern Recognition and Machine Learning
（3）深度學習
這是最近幾年最為活躍的研究領域，爆發了很多革命性的突破，很多前沿的學習
資源，如：
-
Udacity的兩個深度學習課程
-
Coursera的Neural Networks for Machine Learning
-
Stanford的cs231n
-
Stanford的cs224n
以上的學習資源很多，可以學習及參考，很多課程都是理論與實踐相結合的，通過上面資源的學習，可以完成深度學習領域絕大部分的知識儲備。