本专栏分为两大部分，专栏内容如下：

第1部分

探讨PyTorch与其他深度学习框架的区别。
如何在PyTorch Hub中下载和运行模型。
PyTorch的基本构建组件——张量
展示不同类型的数据如何被表示为张量，以及深度学习模型期望构造什么样的张量。
梯度下降机制，以及PyTorch如何实现自动微分。
利用PyTorch的神经网络（nn）和优化（optim）模块来建立和训练一个用于回归的神经网络的过程。
构建一个用于图像分类的全连接层模型，并扩展介绍PyTorch API的知识。
探讨关于构建神经网络模型及其PyTorch实现方面更高级的概念。

第2部分

从CT成像开始，介绍用于肺肿瘤分类的端到端策略。
使用标准PyTorch API加载人工标注数据和CT扫描的图像，并将相关信息转换为张量。
第1个分类模型，该模型基于第10章介绍的训练数据构建。本章还会介绍对模型进行训练，收集基本的性能指标，并使用张量可视化工具TensorBoard来监控训练。
探讨并介绍实现标准性能指标，以及使用这些指标来识别之前完成的训练中的缺陷。然后，介绍通过使用经过数据平衡和数据增强方法改进过的数据集来弥补这些缺陷。
介绍分割，即像素到像素的模型架构，以及使用它来生成覆盖整个CT扫描的可能结节位置的热力图。这张热力图可以用来在CT扫描中找到非人工标注数据的结节。
介绍实现最终的端到端项目：使用新的分割模型和分类方法对癌症患者进行诊断。