Deep Learning with Pytorch

Escrito por Eli Stevens y dos de los principales desarrolladores del núcleo de PyTorch, Luca Antiga y Thomas Viehmann, este libro es la guía canónica de referencia para dominar PyTorch (versión 1.x) desde sus cimientos. Está dirigido a desarrolladores, investigadores y científicos de datos con un manejo intermedio de Python y nociones básicas de álgebra lineal y cálculo que buscan entender la mecánica interna del framework, evitando el enfoque de caja negra habitual de otras bibliotecas.

El recorrido formativo enseña a manipular tensores a bajo nivel, comprendiendo la gestión de memoria (storage, stride e indexación), la aceleración por GPU con CUDA y el motor de diferenciación automática autograd. Se exploran las abstracciones esenciales de torch.nn, optimizadores como SGD y Adam, y el diseño de tuberías eficientes con Dataset y DataLoader. Tras abordar problemas fundamentales de visión por computadora con redes neuronales convolucionales (CNNs), el libro profundiza en el procesamiento de imágenes médicas tridimensionales (tomografías axiales computarizadas) en formatos DICOM y MetaIO. Además, cubre la exportación y optimización de modelos para producción mediante TorchScript (tracing y script mode), el formato interoperable ONNX, servicios REST con Flask y la integración en C++ con libtorch.

La columna vertebral práctica del libro es un proyecto de nivel industrial: la detección temprana de cáncer de pulmón a partir de tomografías computarizadas en 3D del conjunto de datos LUNA. En él se practica la carga de datos volumétricos, la segmentación de nódulos sospechosos, el balanceo extremo de clases y la evaluación rigurosa con métricas de sensibilidad y especificidad, para finalizar empaquetando el modelo en una API web con Flask. Su mayor aportación es enseñar a resolver un desafío de ingeniería real y complejo en lugar de limitarse a conjuntos de juguete como MNIST o CIFAR-10. Aunque no incluye las novedades añadidas a partir de PyTorch 2.0 ni la arquitectura Transformer, sigue siendo un texto insustituible para comprender a fondo la arquitectura y el diseño interno de PyTorch.