docs: 更新readme

Author: TingsongYu

README.md

@@ -1,20 +1,54 @@
 
 
-本资源为《PyTorch实用教程》（第二版），动笔时间为2021年12月16日，什么时候能完结，并不知道
+时隔5年，历时4年，耗时2年的[《Pytorch实用教程》第二版](https://github.com/TingsongYu/PyTorch-Tutorial-2nd)完成了。在第一版的精华之上，增加了丰富详实的深度学习应用案例和推理部署框架，使本书更系统性的涵盖深度学习工程师所涉及的知识面。如人工智能技术发展一浪接一浪，《Pytorch实用教程》第二版不是结束，而是开始，开启新的技术、新的领域、新的篇章，希望未来能继续与大家一起在人工智能技术里学习、进步。
 
-为什么会不是写完再发布？因为担心再不迈出第一步，这本书就会难产了。其实，想写这本书已经很久了，至少2年多了吧（见下图）
+请**点个Star**，予以鼓励，感谢！
 
-总由于各种原因，迟迟没有开始动笔，索性，采用github在线更新的方式，和各位朋友提前见面吧，你们的反馈是我最大的动力。
+<img src="asset/book-cover.png" alt="book-cover" style="zoom:40%;" />
 
-第一版在这里：<a href="https://github.com/TingsongYu/PyTorch_Tutorial/">PyTorch模型训练实用教程</a> 
+本书以基础概念为基石，计算机视觉、自然语言处理和大语言模型为核心，推理部署框架为桥梁，皆在为读者提供面向项目落地的代码工程与理论讲解。本书整体分三部分，上篇：入门，中篇：应用，下篇：落地。
 
-第二版在这里：<a href="https://tingsongyu.github.io/PyTorch-Tutorial-2nd/">PyTorch实用教程第二版</a> 
+## 上篇
 
-有缘看到此repo的同学，请给个**star**，你们的反馈是我最大的动力，争取早日完结！
+PyTorch基础。针对刚入门、非科班、本科生，提供PyTorch介绍，讲解开发环境的搭建，介绍PyTorch的数据、模型、优化、可视化等核心模块，最后利用所讲解的PyTorch知识点构建一套自己的代码结构，为后续的应用打下基础。
 
+## 中篇
 
+产业应用。经过上篇，磨了一把好刀，接下来就用它在各领域上大显身手。将会讲解三个主题，分别是计算机视觉（Computer Vision）、自然语言处理（Natural Language Processing）和大语言模型（Large Language Model）。
 
-<img src="asset/record.jpeg" width="300" height="400"  />
+- 在CV章节，包括主流的任务，有**图像分类、图像分割、目标检测、目标跟踪、GAN生成、Diffusion生成、图像描述和图像检索**八大任务。
+
+  ![CV-prj](asset/CV-prj.gif)
+
+- 在NLP章节，包括RNN、LSTM、Transformer、BERT和GPT模型详解与应用，应用的任务有**文本分类、机器翻译、命名体识别、QA问答和文章生成**五大任务。
+
+  ![NLP-prj]((asset/NLP-prj.gif)
+
+- 在LLM章节，包括4个LLM部署与代码分析和一个LLM行业应用——**GPT Academic（GPT 学术优化）**，LLM包括国内开源的四大主流模型，**Qwen、ChatGLM、Baichuan和Yi**。
+
+  ![LLM-prj](./asset/LLM-prj.png)![gpt-academic-prj](./asset/gpt-academic-prj.gif)
+
+
+
+
+
+## 下篇
+
+工业落地。有了工具，有了场景，接下来就要让它产生价值，变成可用的、好用的算法服务。因此，从pytorch这样一个训练框架、重框架中剥离出来进行部署、加速、量化是常见的方法。本章将介绍ONNX和TensorRT的原理与使用，同时借助TensorRT详细分析模型量化概念、PTQ和QAT量化实战与原理。
+
+相信经过上、中、下篇的学习，可以帮助入门的同学少走很多弯路，快速掌握PyTorch，具备独当一面的能力，能依据实际场景选择算法模型，可以将模型部署应用，形成闭环，全流程打通。
+
+## **本书亮点**
+
+结构清晰：全书分为三部分：上篇（入门）、中篇（应用）、下篇（落地），逐步引导读者深入学习。
+
+理论与实践结合：不仅提供理论讲解，还通过丰富的项目案例，让读者能够将理论应用于实践。
+
+实战案例丰富：提供了计算机视觉、自然语言处理和大语言模型等多个领域的实战案例。
+
+系统性覆盖：涵盖Pytorch基础、计算机视觉基础任务、自然语言处理基础任务、大语言模型基础、推理部署框架。
+
+适用性广：适合AI自学者、AI产品经理、在校学生以及跨领域人士阅读，满足不同背景和需求的读者。