深度學習及神經(jīng)網(wǎng)絡(luò)算法涵蓋較廣的計算機和數(shù)學領(lǐng)域，如果使用PyTorch、TensorFlow等深度框架，并記住它們的使用規(guī)則，可能能夠應付大部分的情況并繞過許多細節(jié)，但知其然而不知其所以然，顯然只是學習深度學習的第一步，通用的深度學習框架并不總是能滿足所有的需求，如果要從使用到擴展乃至創(chuàng)造，就需要掌握遠比簡單使用更多的知識和細節(jié)。
　　得益于PyTorch、TensorFlow等深度學習框架都是開源的，有些時候通過發(fā)掘它們的源碼來進階相對簡單，例如我想知道PyTorch是如何實現(xiàn)Adam的，可以將光標移到torch.optim.Adam類名上，使用快捷鍵Ctrl+B或Ctrl+鼠標跳轉(zhuǎn)到聲明，便可以發(fā)現(xiàn)它調(diào)用了torch.optim.functional.adam函數(shù)，同樣進入torch.optim.functional.adam，在這里可以發(fā)現(xiàn)Adam的算法實現(xiàn)。但這種方法并不總是能得到想知道的答案（實際上，大部分時候都無法奏效）。
　　作為一個成熟的框架，PyTorch 1.7.0的源碼已經(jīng)難以全部閱讀（C++/Python代碼行數(shù)都在十萬量級），且出于程序健壯性的考慮，其源碼含有不少條件判斷語句，對閱讀也會造成一定的阻礙，因此對讀者而言閱讀本書中的代碼和解讀相比直接閱讀深度學習框架的源碼應該效率更高。在有自研深度框架的經(jīng)驗后，使用這些成熟框架顯然會事半功倍，而且也能知道當它們無法滿足要求時如何擴展。
　　深度學習理論由來已久，但限于計算機的運算速度近幾年才被推上風口浪尖。深度學習中的大量運算往往以矩陣或張量為載體，它們的運算有高度的并行性，因此能夠在具有許多計算核心的GPU上被加速，這也是深度學習興起的現(xiàn)實基礎(chǔ)。
　　如果你曾關(guān)注過顯卡，那么可能也聽說過“CUDA核心”這個名詞，NVIDIA介紹一塊新顯卡時首先會說明它有多少個CUDA核心（或多少個流處理器）。CUDA是NVIDIA公司推出的計算平臺，目前主流的深度框架如TensorFlow和PyTorch都是以CUDA為核心，本書也會在介紹深度學習之余介紹它的基本用法，幫助讀者全方位地了解深度學習這個領(lǐng)域。
　　書中包含大量細心編寫的代碼，帶著讀者一起思考。本書在重點及難點處配有視頻講解，掃描書中提供的二維碼可觀看對應章節(jié)的視頻講解。
　　本書絕大多數(shù)理論輔以代碼實現(xiàn)，同時也建議讀者先按照自己對理論的理解編寫對應的程序，若有疑問再參考本書的代碼。因為編程是不允許對知識模棱兩可的，理解有偏差時編寫的代碼往往會輸出顯而易見的錯誤結(jié)果甚至直接報錯無法運行。換言之，如果能將理論轉(zhuǎn)換為代碼，通常對那個概念就有一個初步的認識了。
　　因作者水平有限，書中難免存在疏漏，敬請讀者批評指正。