前　　言

作为20世纪80年代出生的孩子，我们几个接触个人计算机的情况，分别是Eli从Commodore VIC20系统开始，我从Sinclair Spectrum 48K系统开始，Thomas从Commodore C16系统开始。在那个时候我们看到了个人计算机的曙光，学会了在越来越快的机器上编写代码和研究算法，还经常幻想计算机会将我们带到哪里去。当某部谍战片中的主角说“计算机，改进一下”时，我们一起翻白眼，深切意识到现实中计算机的作用与电影中计算机的作用的差距。

后来，在我们的职业生涯中，Eli和我各自在医学图像分析方面挑战自我，在研究能够处理人体自然变化的算法时，面临着同样的困难。在选择最优的算法组合时，会涉及很多试探式方法，这些方法会让事情顺利进行，甚至会挽救局面。Thomas在世纪之交学习了神经网络和模式识别，后来还获得了数据建模的博士学位。

深度学习在21世纪初开始出现在计算机视觉领域，并被应用于医学图像分析任务，如识别医学图像的结构或病变。就在那个时候，也就是21世纪头5年，深度学习引起了我们的关注。我们花了一些时间才意识到，深度学习代表了一种全新的软件编写方式——一种新的多用途算法，可以通过观察数据来学习如何解决复杂的问题。

对于我们“80后”来说，关于计算机能做什么的视野一夜之间就扩展了，计算机能做什么不再受限于程序员的大脑，而受限于数据、神经网络结构和训练过程。在动手实践的过程中，我选择Torch，它是PyTorch的前身。Torch具有灵活、轻量级、运行速度快的特点，具有通过Lua和普通C语言编写的、易于理解的源代码，有一个支持它的社区，并且有着悠久的历史。我热衷于Torch，可能Torch7唯一的缺点是脱离了其他框架可以借鉴的、不断扩展的Python数据科学生态系统。Eli从大学开始就对人工智能感兴趣，但他的职业生涯为他指明了另一个方向，他发现其他早期的深度学习框架使用起来太过费力，以至于令人无法在业余项目中热情地使用它们。

因此当PyTorch的第1个版本在2017年1月18日发布时，我们都非常兴奋。我从那时开始成为PyTorch的核心贡献者。而Eli很早就成为其社区的一员，负责提交一些错误修复文档，实现新特性或对文档进行更新。Thomas为PyTorch贡献了大量的特性，修复了很多错误，并最终成为一名独立的核心贡献者。我们有一种感觉：有一些大型的东西正在起步，这些东西具有适当的复杂性，并且只需要很少的认知开销。PyTorch借鉴了Torch7的一些精益设计，但这次引入了一系列新特性，如自动微分、动态计算图和集成NumPy。

考虑到我们的参与度和热情，在组织了几次PyTorch研讨会之后，我们感觉下一步写一本书是很自然的事了。我们的目标是写一本能够吸引曾经的自己（刚开始学习PyTorch深度学习时的我们）的书。

可以预见的是，我们起初的想法很宏大：教授基础知识，完成一个端到端的项目，并演示PyTorch最新和最好的模型。 我们很快意识到这不是一本书就能完成的事情，因此我们决定专注于我们最初的任务：假设我们之前具备很少或根本没有深度学习的知识，我们将投入时间深入介绍PyTorch背后的关键概念，并最终达到带领读者完成一个完整项目的目的。对于后者，我们回到工作本身，选择演示医学图像分析相关的项目。

Luca Antiga

[1]　在那个时候，“深层”神经网络意味着3个隐藏层！