深度学习框架PyTorch：入门与实践 pdf epub mobi txt 电子书 下载 2025

简体网页||繁体网页

☆☆☆☆☆

陈云 著

图书标签:

• PyTorch
• 深度学习
• 机器学习
• 神经网络
• Python
• 计算机视觉
• 自然语言处理
• 模型训练
• 深度学习框架
• 实践

出版社： 电子工业出版社

ISBN：9787121330773

版次：1

商品编码：12261129

品牌：Broadview

包装：平装

开本：16开

出版时间：2018-01-01

用纸：胶版纸

页数：300

字数：353000

产品特色

编辑推荐

适读人群 ：深度学习框架PyTorch入门者、人工智能领域从业者等。

本书包含PyTorch基础知识+实战案例两部分

提供notebook，方便读者交互性学习

梳理PyTorch基础知识及重点、难点

翔实的案例，案例包括Kaggle竞赛中经典项目、GAN生成动漫头像、AI滤镜、RNN写诗、图像描述任务

配套源代码文件供下载、读者交流QQ群

内容简介

《深度学习框架PyTorch：入门与实践》从多维数组Tensor开始，循序渐进地带领读者了解PyTorch各方面的基础知识。结合基础知识和前沿研究，带领读者从零开始完成几个经典有趣的深度学习小项目，包括GAN生成动漫头像、AI滤镜、AI写诗等。《深度学习框架PyTorch：入门与实践》没有简单机械地介绍各个函数接口的使用，而是尝试分门别类、循序渐进地向读者介绍PyTorch的知识，希望读者对PyTorch有一个完整的认识。

《深度学习框架PyTorch：入门与实践》内容由浅入深，无论是深度学习的初学者，还是头次接触PyTorch的研究人员，都能在学习本书的过程中快速掌握PyTorch。即使是有一定PyTorch使用经验的用户，也能够从本书中获得对PyTorch不一样的理解。

作者简介

陈云

Python程序员、Linux爱好者和PyTorch源码贡献者。主要研究方向包括计算机视觉和机器学习。“2017知乎看山杯机器学习挑战赛”一等奖，“2017天池医疗AI大赛”第八名。 热衷于推广PyTorch，并有丰富的使用经验，活跃于PyTorch论坛和知乎相关板块。

目录

1 PyTorch简介

1.1 PyTorch的诞生 1

1.2 常见的深度学习框架简介 2

1.2.1 Theano 3

1.2.2 TensorFlow 3

1.2.3 Keras 5

1.2.4 Caffe/Caffe2 5

1.2.5 MXNet 6

1.2.6 CNTK 7

1.2.7 其他框架 8

1.3 属于动态图的未来 8

1.4 为什么选择PyTorch 10

1.5 星火燎原 12

1.6 fast.ai 放弃Keras+TensorFlow选择PyTorch 13

2 快速入门 16

2.1 安装与配置 16

2.1.1 安装PyTorch 16

2.1.2 学习环境配置 20

2.2 PyTorch入门第一步 30

2.2.1 Tensor 30

2.2.2 Autograd：自动微分 35

2.2.3 神经网络 38

2.2.4 小试牛刀：CIFAR-10分类 43

3 Tensor和autograd 51

3.1 Tensor 51

3.1.1 基础操作 52

3.1.2 Tensor和Numpy 70

3.1.3 内部结构 73

3.1.4 其他有关Tensor的话题 76

3.1.5 小试牛刀：线性回归 78

3.2 autograd 81

3.2.1 Variable 82

3.2.2 计算图 86

3.2.3 扩展autograd 95

3.2.4 小试牛刀：用Variable实现线性回归 100

4 神经网络工具箱nn 104

4.1 nn.Module 104

4.2 常用的神经网络层 108

4.2.1 图像相关层 108

4.2.2 激活函数 111

4.2.3 循环神经网络层 115

4.2.4 损失函数 117

4.3 优化器 117

4.4 nn.functional 119

4.5 初始化策略 121

4.6 nn.Module深入分析 123

4.7 nn和autograd的关系 130

4.8 小试牛刀：用50行代码搭建ResNet 131

5 PyTorch中常用的工具 136

5.1 数据处理 136

5.2 计算机视觉工具包：torchvision 148

5.3 可视化工具 150

5.3.1 Tensorboard 151

5.3.2 visdom 153

5.4 使用GPU加速：cuda 159

5.5 持久化 162

6 PyTorch实战指南 165

6.1 编程实战：猫和狗二分类 165

6.1.1 比赛介绍 166

6.1.2 文件组织架构 166

6.1.3 关于__init__.py 168

6.1.4 数据加载 168

6.1.5 模型定义 171

6.1.6 工具函数 172

6.1.7 配置文件 175

6.1.8 main.py 177

6.1.9 使用 185

6.1.10 争议 186

6.2 PyTorch Debug 指南 188

6.2.1 ipdb 介绍 188

6.2.2 在PyTorch中Debug 192

7 AI插画师：生成对抗网络 198

7.1 GAN的原理简介 199

7.2 用GAN生成动漫头像 203

7.3 实验结果分析 212

8 AI艺术家：神经网络风格迁移 216

8.1 风格迁移原理介绍 217

8.2 用PyTorch实现风格迁移 223

8.3 实验结果分析 234

9 AI诗人：用RNN写诗 238

9.1 自然语言处理的基础知识 238

9.1.1 词向量 239

9.1.2 RNN 241

9.2 CharRNN 244

9.3 用PyTorch实现CharRNN 247

9.4 实验结果分析 258

10 Image Caption：让神经网络看图讲故事 261

10.1 图像描述介绍 262

10.2 数据 263

10.2.1 数据介绍 263

10.2.2 图像数据处理 271

10.2.3 数据加载 273

10.3 模型与训练 276

10.4 实验结果分析 281

11 展望与未来 283

11.1 PyTorch的局限与发展 283

11.2 使用建议 287

前言/序言

为什么写这本书

2016年是属于TensorFlow的一年，凭借谷歌的大力推广，TensorFlow占据了各大媒体的头条。2017年年初，PyTorch的横空出世吸引了研究人员极大的关注，PyTorch简洁优雅的设计、统一易用的接口、追风逐电的速度和变化无方的灵活性给人留下深刻的印象。

作为一门2017年刚刚发布的深度学习框架，研究人员所能获取的学习资料有限，中文资料更是比较少。笔者长期关注PyTorch发展，经常在论坛上帮助PyTorch新手解决问题，在平时的科研中利用PyTorch进行各个方面的研究，有着丰富的使用经验。看到国内的用户对PyTorch十分感兴趣，迫切需要一本能够全面讲解PyTorch的书籍，于是本书就这么诞生了。

本书的结构

本书分为两部分：第2~5章主要介绍PyTorch的基础知识。

√ 第2章介绍PyTorch的安装和配置学习环境。同时以最概要的方式介绍PyTorch的主要内容，让读者对PyTorch有一个大概的整体印象。

√ 第3章介绍PyTorch中多维数组Tensor和动态图autograd/Variable的使用，并配以例子，让读者分别使用Tensor和autograd实现线性回归，比较二者的不同点。本章还对Tensor的底层设计，以及autograd的原理进行了分析，给读者以更全面具体的讲解。

√ 第4章介绍PyTorch中神经网络模块nn的基础用法，同时讲解了神经网络中的“层”、“损失函数”、“优化器”等，最后带领读者用不到50行的代码搭建出曾夺得ImageNet冠军的ResNet。

√ 第5章介绍PyTorch中数据加载、GPU加速和可视化等相关工具。

第6~10章主要介绍实战案例。

√ 第6章是承上启下的一章，目标不是教会读者新函数、新知识，而是结合Kaggle中一个经典的比赛，实现一个深度学习中比较简单的图像二分类问题。在实现的过程中，带领读者复习前5章的知识，并提出代码规范以合理地组织程序和代码，使程序更可读、可维护。第6章还介绍在PyTorch中如何进行debug。

√ 第7章为读者讲解当前最火爆的生成对抗网络（GAN），带领读者从零开始实现一个动漫头像生成器，能够利用GAN生成风格多变的动漫头像。

√ 第8章为读者讲解风格迁移的相关知识，并带领读者实现风格迁移网络，将自己的照片变成“高大上”的名画。

√ 第9章为读者讲解一些自然语言处理的基础知识，并讲解CharRNN的原理。然后利用其收集几万首唐诗，训练出一个可以自动写诗歌的小程序。这个小程序可以控制生成诗歌的格式和意境，还能生成藏头诗。

√ 第10章为读者介绍图像描述任务，并以最新的AI Challenger比赛的数据为例，带领读者实现一个可以进行简单图像描述的小程序。

第1章和第11章是本书的首章和末章，第1章介绍PyTorch的优势，以及和市面上其他几款框架的对比。第11章是对本书的总结，以及对PyTorch不足之处的思考，同时对读者未来的学习提出建议。

关于代码

本书的所有代码都开源在GitHub【https://github.com/chenyuntc/pytorch-book】上，其中：

√ 第2~5章的代码以Jupyter Notebook形式提供，读者可以在自己的计算机上交互式地修改运行它。

√ 第6~10章的代码以单独的程序给出，每个函数的作用与细节在代码中有大量的注释。

本书的代码，在最新版的PyTorch 0.2上运行，同时支持Python 2 和Python 3，其中：

√ 前5章的代码同时在Python 2.7和Python 3.5上验证，并得到最终结果。

√ 第6~10章的代码，主要在Python 2.7上运行并得到最终结果，同时在Python 3.5上测试未报错。

适读人群

学习本书需要读者具备以下基础知识：

√ 了解Python的基础语法，掌握基础的Python使用方法。

√ 有一定深度学习基础，了解反向传播、卷积神经网络等基础知识，但并不要求深入了解。

√ 具备梯度、导数等高中数学基础知识。

以下知识不是必需的，但最好了解：

√ numpy的使用。

√ 深度学习的基本流程或者其他深度学习框架的使用。

本书不适合哪些读者：

√ 没有任何深度学习基础的用户。

√ 没有Python基础的用户。

√ 只能使用Windows的用户。

本书约定

在本书中，笔者是本书编著者的自称，作者指的是软件、论文等的作者，读者指阅读本书的你。

本书前5章的代码由Jupyter Notebook转换而来，其中：

√ In后面跟着的是输入的代码。

√ Out是指程序的运行结果，运行结果取决于In的最后一行。

√ Print后面跟着程序的打印输出内容，只有在In程序中调用了 print 函数/语句才会有Print输出。

√ Jupyter会自动输出Image对象和matplotlib可视化结果，所以书中以“程序输出”命名的图片都来自Jupyter的程序输出。这些图片的说明在代码注释中。

如何使用本书

本书第2章是PyTorch快速入门，第3~5章是对这些内容的详细深入介绍。第6章是一个简单而完整的深度学习案例。

如果你是经验丰富的研究人员，之前对PyTorch十分熟悉，对本书的某些例子比较感兴趣，那么你可以跳过前5章，直接阅读第6章，了解这些例子的程序设计与文件组织安排，然后阅读相应的例子。

如果你是初学者，想以最快的速度掌握PyTorch并将PyTorch应用到实际项目中，那么你可以花费2~3小时阅读2.2节的相关内容。如果你需要深入了解某部分的内容，那么可以阅读相应章节。

如果你是初学者，想完整全面地掌握PyTorch，那么建议你：

√ 先阅读第1~5章，了解PyTorch的各个基础知识。

√ 再阅读第6章，了解PyTorch实践中的技巧。

√ 最后从第7~10章挑选出感兴趣的例子，动手实践。

最后，希望读者在阅读本书的时候，尽量结合本书的配套代码阅读、修改、运行之。

致谢

杜玉姣同学在我编写本书的时候，给了我许多建议，并协助审阅了部分章节，在此特向她表示谢意。在编写本书时，本书编辑郑柳洁女士给予了很大的帮助，在此特向她致谢。感谢我的家人一直以来对我的支持，感谢我的导师肖波副教授对我的指导。感谢我的同学、师弟师妹们，他们在使用PyTorch中遇到了很多问题，给了我许多反馈意见。

由于笔者水平所限，书中难免有错误和不当之处，欢迎读者批评指正。具体意见可以发表在GitHub上的issue（https://github.com/chenyuntc/pytorch-book/issues）中。

《人工智能浪潮：算法、模型与前沿探索》 简介： 在这个数据爆炸、算力飞跃的时代，人工智能（AI）不再是科幻小说中的遥远概念，而是深刻改变我们工作、生活乃至社会结构的核心驱动力。本书《人工智能浪潮：算法、模型与前沿探索》旨在为您揭开人工智能的神秘面纱，带领您深入了解其底层原理、核心技术、发展脉络以及未来趋势，助力您在人工智能的浪潮中抓住机遇，成为时代的弄潮儿。 本书并非专注于某一个具体的深度学习框架，而是以更宏观的视角，系统性地梳理人工智能这一宏大领域的知识体系。我们从人工智能的哲学思想和历史演进谈起，追溯其萌芽、曲折发展乃至如今的爆发式增长。从早期的符号主义、连接主义的争鸣，到专家系统、机器学习的兴起，再到如今深度学习的席卷全球，我们将为您呈现一幅波澜壮阔的人工智能发展史。 第一部分：人工智能的基石——算法与模型 在人工智能的广阔天地中，算法是其灵魂，模型是其载体。本部分将深入剖析人工智能最核心的驱动力，为您构建坚实的理论基础。 第一章：算法概览与发展历程 我们将从广义的人工智能算法出发，介绍搜索算法（如A算法）、规划算法、博弈论等经典人工智能方法，它们在自动化、游戏AI等领域发挥着重要作用。随后，我们将重点聚焦于机器学习的核心算法，包括： 监督学习： 线性回归、逻辑回归、支持向量机（SVM）、决策树、随机森林、梯度提升树（如XGBoost、LightGBM）等，它们在分类、回归任务中扮演着关键角色。 无监督学习： K-Means聚类、DBSCAN、主成分分析（PCA）、独立成分分析（ICA）、降维技术等，它们帮助我们发现数据中的隐藏模式和结构。 半监督学习与强化学习： 简要介绍这两种在特定场景下极具潜力的学习范式，为后续更复杂的模型奠定基础。 第二章：神经网络的启蒙与演进 神经网络是现代人工智能的核心。我们将从最基本的感知机模型开始，逐步深入到多层感知机（MLP），讲解激活函数、反向传播算法等关键概念。这一章将详细解释： 前馈神经网络（FNN）： MLPs如何通过多层非线性变换实现复杂的模式识别。 反向传播算法： 详细推导并解释梯度下降在神经网络中的应用，这是训练神经网络的关键。 梯度下降及其变种： 学习率、动量、Adam等优化器的作用，它们如何加速和稳定模型的收敛。 第三章：深度学习的革命——卷积神经网络（CNN） CNN是图像识别领域的王者，本书将深入剖析其原理和应用。 卷积层： 讲解卷积核、步长、填充等参数，以及其在特征提取中的作用。 池化层： 理解最大池化、平均池化等操作如何实现降维和特征鲁棒性。 经典CNN架构： LeNet、AlexNet、VGG、ResNet、Inception等，分析它们的设计思想和技术突破。 CNN的应用： 图像分类、目标检测、图像分割、人脸识别等。 第四章：序列数据的利器——循环神经网络（RNN）与Transformer RNN及其变种（LSTM、GRU）在处理序列数据方面表现出色，而Transformer则开启了新的篇章。 RNN的工作原理： 讲解其“记忆”机制，以及在自然语言处理、语音识别等领域的应用。 LSTM和GRU： 解决RNN的长期依赖问题，详细解释门控机制。 Transformer模型： 重点讲解自注意力机制（Self-Attention）、多头注意力（Multi-Head Attention）、位置编码（Positional Encoding）等，以及其在机器翻译、文本生成等任务中的突破性进展。 BERT、GPT等预训练模型： 介绍基于Transformer的预训练模型如何极大地推动自然语言处理的发展。 第五章：生成式模型——创造的艺术 生成式模型能够创造新的数据，在图像生成、文本创作等领域展现出惊人的潜力。 生成对抗网络（GANs）： 详细讲解生成器和判别器的博弈过程，以及其在图像生成、风格迁移等方面的应用。 变分自编码器（VAEs）： 理解其概率模型，以及在数据生成、异常检测等方面的优势。 其他生成式模型： 如流模型（Flow-based models）等，介绍其最新的进展。 第二部分：人工智能的应用与实践 掌握了核心算法和模型，本书将带领您探索人工智能在各行各业的广泛应用，并提供实践指导。 第六章：自然语言处理（NLP）的奥秘 文本预处理： 分词、词性标注、命名实体识别、词向量（Word2Vec、GloVe、FastText）等。 文本分类与情感分析： 如何利用深度学习模型进行文本的归类和情感倾向判断。 机器翻译： 从统计机器翻译到神经机器翻译的演进。 问答系统与对话系统： 构建智能客服、聊天机器人。 文本生成与摘要： 创作文章、生成报告。 第七章：计算机视觉（CV）的视野 图像预处理与增强： 噪声去除、对比度增强、几何变换等。 图像分类与识别： 识别图片中的物体、场景。 目标检测与跟踪： 定位图片中的多个物体并跟踪其运动。 图像分割： 精确地将图像划分为不同的区域。 人脸识别与分析： 身份验证、情绪识别。 图像生成与风格迁移： 创造新的图像，应用艺术风格。 第八章：语音识别与合成 语音信号处理： 声学特征提取（MFCCs、Fbanks）。 声学模型与语言模型： 构建语音识别系统。 语音合成（TTS）： 将文本转化为自然语音。 端到端语音识别： End-to-end ASR的进展。 第九章：强化学习与决策智能 马尔可夫决策过程（MDP）： 强化学习的基础理论。 Q-Learning与Deep Q-Network（DQN）： 经典的强化学习算法。 策略梯度方法： REINFORCE、Actor-Critic等。 AlphaGo及其后续： 深度强化学习在复杂博弈中的成功案例。 强化学习在机器人、推荐系统、自动驾驶中的应用。 第十章：人工智能的部署与优化 模型选择与评估： 如何选择合适的模型，以及常用的评估指标。 模型调优与正则化： 防止过拟合，提高模型泛化能力。 模型压缩与量化： 减小模型体积，提高推理速度。 模型部署： 在不同平台（服务器、移动端、嵌入式设备）上的部署策略。 MLOps： 机器学习工程化的实践。 第三部分：人工智能的前沿探索与未来展望 人工智能的边界不断被拓展，本部分将聚焦于最新的研究热点和未来的发展趋势。 第十一章：大模型与通用人工智能（AGI） 大模型的崛起： 探讨超大规模预训练模型（如GPT-3/4、LLaMA等）的特点、训练方法及其带来的变革。 涌现能力与多模态学习： 分析大模型在处理不同类型数据（文本、图像、音频）时的协同作用。 迈向通用人工智能（AGI）： 探讨AGI的定义、挑战以及实现的可能性。 第十二章：负责任的AI与伦理挑战 AI的偏见与公平性： 分析算法中的潜在偏见，以及如何实现公平可解释的AI。 AI的隐私保护： 差分隐私、联邦学习等技术。 AI的安全与可信度： 对抗性攻击的防范，模型的鲁棒性。 AI的社会影响： 就业、法律、道德等方面的讨论。 第十三章：人工智能与其他学科的融合 AI与科学研究： 如AI for Science（AI4S），在生物、化学、物理等领域的应用。 AI与医疗健康： 辅助诊断、药物研发、个性化治疗。 AI与金融科技： 风险评估、量化交易、反欺诈。 AI与教育： 个性化学习、智能辅导。 AI与艺术创作： AI在音乐、绘画、文学领域的探索。 第十四章：人工智能的未来展望 AI的下一个十年： 预测关键技术突破和应用方向。 人机协作的新范式： AI如何成为人类的强大助手。 探索未知： AI在科学发现、太空探索等前沿领域的潜力。 总结： 《人工智能浪潮：算法、模型与前沿探索》是一本系统性、前瞻性的人工智能百科全书。它将带领读者从基础的算法原理出发，逐步深入到复杂的深度学习模型，再到各领域的实际应用，并最终展望人工智能的未来。无论您是AI领域的初学者，还是希望系统梳理知识体系的从业者，抑或是对人工智能的未来充满好奇的研究者，本书都将为您提供宝贵的知识财富，助您在瞬息万变的人工智能时代，找准方向，把握未来。本书旨在激发您的思考，鼓励您动手实践，最终成为人工智能浪潮中的积极参与者和创造者。

评分☆☆☆☆☆

拿到这本书，我的第一感觉是它在内容的组织上一定花了很多心思。从标题的“入门与实践”可以看出，它不是一本纯粹的理论堆砌的书，也不是一本只讲代码不讲原理的速成手册。我相信它在讲解PyTorch的核心概念时，会循序渐进，让初学者也能轻松理解。我尤其关注它在“实践”部分会提供哪些案例。是那些耳熟能详的经典数据集，还是更贴近实际应用场景的进阶项目？是简单地展示代码，还是会深入剖析每个模型的设计思路、训练过程以及调优技巧？我希望能看到清晰的代码示例，并且附有详细的解释，让我知道每一行代码的作用，以及它们是如何协同工作的。同时，如果书中能够包含一些常见问题的解答，或者提供一些调试技巧，那将会是极大的帮助，毕竟在学习编程的过程中，遇到问题并解决问题本身就是一种重要的成长。

评分☆☆☆☆☆

这本书的包装和印刷质量都令人满意，给我留下了良好的第一印象。从书名“深度学习框架PyTorch：入门与实践”来看，它显然是为想要学习和掌握PyTorch深度学习框架的读者量身定制的。我非常欣赏这种“入门与实践”相结合的编写方式，它意味着这本书不会仅仅停留在理论的讲解，更会注重实际操作和项目演练。我希望书中能够包含一些由浅入深的示例代码，并且对代码的每一部分进行详细的解释，以便读者能够理解其背后的逻辑。此外，我非常期待书中能够涵盖一些 PyTorch 的核心概念，例如张量（Tensor）的操作、自动微分（Autograd）机制、神经网络模块（nn.Module）的使用、数据加载与预处理（DataLoader）等。如果能进一步涉及一些常见的深度学习模型（如卷积神经网络CNN、循环神经网络RNN）的实现，那将非常有价值。

评分☆☆☆☆☆

这本书的封面设计着实吸引人，深邃的蓝色背景搭配着简洁有力的书名“深度学习框架PyTorch：入门与实践”，让人一眼就感受到一种专业而又不失亲和力的气息。拿到手里，纸张的触感也十分细腻，印刷清晰，翻阅起来很有质感。在包装和初步的视觉体验上，这本书就已经给了我一个非常好的开端。我一直对深度学习领域充满好奇，也曾尝试过一些其他的学习资料，但总觉得缺乏系统性和实践的深度。这本书的厚度适中，看起来内容一定非常充实，但又不会让人望而生畏。封底的介绍更是点燃了我学习的欲望，尤其是“入门与实践”这几个字，让我看到了理论知识与实际操作相结合的希望。我期待它能像一个经验丰富的向导，带领我在PyTorch的广阔天地里，从零开始，一步步构建起扎实的知识体系，并能亲手实现各种有趣的深度学习模型。

评分☆☆☆☆☆

拿到这本书，我最期待的是它能解决我在学习PyTorch过程中遇到的实际困难。之前我尝试过一些在线教程，但往往更新不及时，或者对于某些细节讲解不够深入。这本书的实体形式，让我觉得内容会更加系统和稳定。我特别希望它能详细介绍PyTorch的一些高级特性，比如如何进行模型部署，如何利用GPU进行加速，以及如何进行分布式训练。这些都是在实际项目中非常关键的技术点，如果这本书能提供清晰的指导，那将大大提升我的项目开发效率。另外，我对书中的“实践”部分抱有很高的期望。我希望它能提供一些具有代表性的真实世界应用案例，并详细讲解如何使用PyTorch来解决这些问题。这不仅能帮助我巩固理论知识，更能让我看到PyTorch在实际工作中的强大能力。

评分☆☆☆☆☆

这本书的设计思路，从书名来看，就显得非常接地气。很多人学习新技术，往往是在实践中摸索，但如果没有一个好的起点，很容易走进死胡同。这本书“入门与实践”的定位，让我觉得它可能在理论和代码之间找到了一个完美的平衡点。我设想它会从PyTorch的基础语法和核心模块入手，然后逐步引入更复杂的概念，比如神经网络的搭建、损失函数的选择、优化器的使用等等。更重要的是，我期待它能有足够多的、不同难度的实践项目。从简单的图像分类，到更复杂的自然语言处理任务，或者生成对抗网络，如果能涵盖一些这些领域，那这本书的价值就真的不可估量了。我希望它能帮助我建立起一个完整的知识框架，让我不仅能“学会”PyTorch，更能“用好”PyTorch。

评分☆☆☆☆☆

很好，学习学习～

评分☆☆☆☆☆

深度学习是必须学习的，又买了一批书，豁出去了。都是好书啊，四本一起买的。

评分☆☆☆☆☆

讲的非常好，很详细。买来入门一些应用领域。

评分☆☆☆☆☆

还没看，应该不错吧

评分☆☆☆☆☆

很不错的书，值得认真仔细的读一下，尤其是里面的项目挺有意思的。

评分☆☆☆☆☆

很好送货速度快，好好看。

评分☆☆☆☆☆

此用户未填写评价内容

评分☆☆☆☆☆

经常在京东买书，比较方便但也没很优惠就是了

评分☆☆☆☆☆

这本事是在Linux下编程的代码，写的挺好的，之后工作都是Linux系统跑的！挺好的