要徹底了解深度學習，必須從數學/統計奠定基礎，從張量運算、偏微分、梯度下降優化求解，最後依據機率統計衡量模的效能指標，包括準確率 (Accuracy)、精確率 (Precision)、召回率 (Recall)，乃至於混淆矩陣 (Confusion Matrix)。
另外，必須透過實作，撰寫程式，運用NumPy、Matplotlib、Scikit-learn等資料科學基礎套件，並以PyTorch或TensorFlow整合10大流程，才能領略深度學習之美。
★必備的數學與統計：以程式設計取代理論證明，只有在關鍵點提供證明。
★優化求解：梯度下降法是神經網路優化求解的關鍵，我們從迴歸開始，逐步說明，最後擴展至神經層及神經網路，中間過程會包括張量運算、偏微分、梯度下降優化求解，不僅理解數學運算，也了解如何實作。
★各式演算法的理解：包括一般神經網路、CNN、YOLO、RNN、GAN、強化學習、自動語音辨識 (ASR)、GNN等，除了演算法的說明，也要理解各項演算法的演化與優劣。
★大量的範例實作：幫助讀者能將深度學習應用在各種企業領域，包括物件偵測、OCR、臉部辨識、車牌辨識、聊天機器人 (ChatBot)、強化學習、自動語音辨識 (ASR) 、深度偽造、知識圖譜 (Knowledge Graph) 等。
★最重要的是讓讀者可以完全掌握PyTorch主要功能，可以有能力撰寫各項應用系統，讓使用者也體驗到深度學習之美。
本文節錄自深智數位出版之《開發者傳授 PyTorch 秘笈》。
