PyTorch 中的 AI 和 ML 编码

前言

本作品已使用人工智能进行翻译。欢迎您提供反馈和意见：[e-mail]

欢迎来到PyTorch 中的 AI 和 ML for Coders。我的机器学习（ML）之旅始于多年前的 Lisp 和 Prolog 等语言和框架。之后，我去了谷歌，在那里我帮助推出并发展了 TensorFlow。这段经历为我之前出版的《程序员的人工智能和机器学习》（AI and Machine Learning for Coders）一书提供了参考。

自从那本书出版后，每当我与社区成员讨论人工智能时，都会遇到一个问题：提问者是否应该在 PyTorch 上投入时间。这个问题起初很奇怪，但我听得越多，就越开始研究。

这个思路让我走到了职业生涯的这一步，PyTorch 曾经是我工作的竞争对手，而现在我却热衷于它。为什么呢？因为它具有强大的功能和灵活性，可以让研究人员或高级工程师挑战极限，同时又非常简单，任何开发人员都可以轻松上手，开始他们的 ML 之旅，两者之间达到了完美的平衡。

本书的目标就是让作为编码员的你为此做好准备--如果你还不完全了解 ML，它足够通俗易懂，同时也会让你接触到有助于深入学习的高级概念。我们的目标是：让你不需要博士学位也能成为一名 ML 和 AI 开发人员！

我希望这本书对你有用，并让你有信心开始这段美妙而有意义的旅程。

谁应该阅读本书

如果您对人工智能和 ML 感兴趣，并且希望快速开始并运行从数据中学习的模型，本书就是为您准备的。如果你对常见的人工智能和 ML 概念（计算机视觉、自然语言处理、序列建模等）感兴趣，并想了解如何训练神经网络来解决这些领域的问题，我想你会喜欢这本书的。如果你已经听过关于生成式人工智能的各种讨论，我们将卷起袖子，探索如何利用基于变压器和扩散器的模型来实现生成式人工智能。

最重要的是，如果你因为觉得困难而迟迟没有进入计算机科学的这一重要领域，尤其是认为你需要从你的微积分旧书中拾起灰尘，那么不用担心：本书采用代码优先的方法，向你展示使用 PyTorch 在 ML 和人工智能的世界中入门是多么容易。

我为什么写这本书

我第一次认真接触人工智能是在 1992 年春天。当时我刚从物理学专业毕业，住在伦敦，正值经济萧条，我已经失业六个月了。英国政府启动了一项培训 20 名人工智能技术人员的计划，并向社会征集申请者。我是第一个入选者。三个月后，该计划惨遭失败，因为虽然人工智能可以做很多理论工作，但却没有简单的实践方法。人们可以用一种叫 Prolog 的语言编写简单的推理，用一种叫 Lisp 的语言进行列表处理，但却没有明确的途径将它们部署到工业中。著名的 "人工智能寒冬 "随之而来。

然后，2016 年，当我在谷歌开发一款名为 Firebase 的产品时，公司为所有工程师提供了 ML 培训。我和其他一些人坐在一个房间里，听着关于微积分和梯度下降的讲座。我无法将这些知识与 ML 的实际应用相匹配，一下子回到了 1992 年。我就此提出了反馈意见，并谈到我们应该如何教育人们学习 ML--首先向编码员传授代码。谷歌接受了这一理念，Meta 发布 PyTorch 时也是如此。

我意识到有必要编写一本书来利用这一优势，拓宽人们接触 ML 的途径，让它不再只是数学家或博士的专利。

我相信，更多的人使用这项技术并将其部署到终端用户中，将带来人工智能和 ML 的爆炸式增长，从而防止再次出现人工智能寒冬，并使世界变得更加美好。我已经看到了这方面的影响，从谷歌通过宾夕法尼亚州立大学在糖尿病视网膜病变方面所做的工作，到 ...