前　　言

作為20世紀80年代出生的孩子，我們幾個接觸個人計算機的情況，分別是Eli從Commodore VIC20系統開始，我從Sinclair Spectrum 48K系統開始，Thomas從Commodore C16系統開始。在那個時候我們看到了個人計算機的曙光，學會了在越來越快的機器上編寫代碼和研究算法，還經常幻想計算機會將我們帶到哪里去。當某部諜戰片中的主角說“計算機，改進一下”時，我們一起翻白眼，深切意識到現實中計算機的作用與電影中計算機的作用的差距。

后來，在我們的職業生涯中，Eli和我各自在醫學圖像分析方面挑戰自我，在研究能夠處理人體自然變化的算法時，面臨著同樣的困難。在選擇最優的算法組合時，會涉及很多試探式方法，這些方法會讓事情順利進行，甚至會挽救局面。Thomas在世紀之交學習了神經網絡和模式識別，后來還獲得了數據建模的博士學位。

深度學習在21世紀初開始出現在計算機視覺領域，并被應用于醫學圖像分析任務，如識別醫學圖像的結構或病變。就在那個時候，也就是21世紀頭5年，深度學習引起了我們的關注。我們花了一些時間才意識到，深度學習代表了一種全新的軟件編寫方式——一種新的多用途算法，可以通過觀察數據來學習如何解決復雜的問題。

對于我們“80后”來說，關于計算機能做什么的視野一夜之間就擴展了，計算機能做什么不再受限于程序員的大腦，而受限于數據、神經網絡結構和訓練過程。在動手實踐的過程中，我選擇Torch，它是PyTorch的前身。Torch具有靈活、輕量級、運行速度快的特點，具有通過Lua和普通C語言編寫的、易于理解的源代碼，有一個支持它的社區，并且有著悠久的歷史。我熱衷于Torch，可能Torch7唯一的缺點是脫離了其他框架可以借鑒的、不斷擴展的Python數據科學生態系統。Eli從大學開始就對人工智能感興趣，但他的職業生涯為他指明了另一個方向，他發現其他早期的深度學習框架使用起來太過費力，以至于令人無法在業余項目中熱情地使用它們。

因此當PyTorch的第1個版本在2017年1月18日發布時，我們都非常興奮。我從那時開始成為PyTorch的核心貢獻者。而Eli很早就成為其社區的一員，負責提交一些錯誤修復文檔，實現新特性或對文檔進行更新。Thomas為PyTorch貢獻了大量的特性，修復了很多錯誤，并最終成為一名獨立的核心貢獻者。我們有一種感覺：有一些大型的東西正在起步，這些東西具有適當的復雜性，并且只需要很少的認知開銷。PyTorch借鑒了Torch7的一些精益設計，但這次引入了一系列新特性，如自動微分、動態計算圖和集成NumPy。

考慮到我們的參與度和熱情，在組織了幾次PyTorch研討會之后，我們感覺下一步寫一本書是很自然的事了。我們的目標是寫一本能夠吸引曾經的自己（剛開始學習PyTorch深度學習時的我們）的書。

可以預見的是，我們起初的想法很宏大：教授基礎知識，完成一個端到端的項目，并演示PyTorch最新和最好的模型。 我們很快意識到這不是一本書就能完成的事情，因此我們決定專注于我們最初的任務：假設我們之前具備很少或根本沒有深度學習的知識，我們將投入時間深入介紹PyTorch背后的關鍵概念，并最終達到帶領讀者完成一個完整項目的目的。對于后者，我們回到工作本身，選擇演示醫學圖像分析相關的項目。

Luca Antiga

[1]　在那個時候，“深層”神經網絡意味著3個隱藏層！