PyTorch深度学习

深度学习为全世界的智能控制系统（例如Google Voice、Siri和Alexa）出示了驱动力。随之硬件配置（如GPU）和手机软件架构（如PyTorch、Keras、TensorFlow和CNTK）的发展及其互联网大数据的易用性，大家在文字、視覺和剖析等行业更非常容易执行相对难题的解决方法。 这书对现如今最前沿的深度学习库PyTorch开展了解读。

凭着其易懂生长习性、精确性及其与Python开发设计的纯天然亲密接触性，PyTorch得到了深度学习科学研究工作人员及其大数据工程师们的关心。这书从PyTorch的安裝说起，随后详细介绍了为当代深度学习出示推动力的好几个基本控制模块，还详细介绍了应用CNN、RNN、LSTM及其别的互联网实体模型解决困难的方式。

这书对好几个优秀的深度学习构架的定义（例如ResNet、DenseNet、Inception和Seq2Seq）开展了论述，但沒有深入分析其身后的数学课关键点。与GPU测算有关的专业知识、应用PyTorch训炼实体模型的方式，及其用于转化成文字和图象的繁杂神经元网络（如转化成互联网），也在这书中进而包含。 学好这书后，用户能够应用PyTorch轻轻松松开发设计深度学习手机应用程序。 这书內容： 在GPU加快的张量测算中应用PyTorch； 为图象自主建立uci数据集和统计数据装车器，随后应用torchvision和torchtext检测实体模型； 应用PyTorch来保持CNN构架，进而搭建图象分类器； 应用RNN、LSTM和GRU开发设计能开展文本分类和語言模型的系统软件； 学习培训的CCN构架（例如ResNet、Inception、DenseNet等），并将其运用在迁移学习中； 学习培训怎样混和好几个实体模型，进而转化成1个强劲的集成化实体模型； 应用GAN转化成新图象，并应用设计风格转移转化成造型艺术图象。

PyTorch是Facebook于2017年末在深度学习和科学计算小工具Torch的基本上，对于Python語言公布的1个全新升级的深度学习工具包，一旦发布便遭受了业内的普遍关心和探讨，现阶段早已变成深度学习从业者的产品研发小工具。 《PyTorch深度学习》是应用PyTorch搭建神经网络模型的好用手册，內容分成9章，包含PyTorch与深度学习的基本知识、神经元网络的组成、神经元网络的专业知识、深度学习基本知识、深度学习在计算机视觉中的运用、深度学习在编码序列统计数据和文字中的运用、转化成互联网、当代网络结构，及其PyTorch与深度学习的将来迈向。 《PyTorch深度学习》合适对深度学习行业很感兴趣且期待一探PyTorch的业界工作人员阅读文章；具有别的深度学习架构应用工作经验的用户，还可以根据这书把握PyTorch的使用方法。

目录

• 第1章 PyTorch与深度学习1
• 1.1 人工智能 1
• 1.2 机器学习 3
• 1.3 深度学习 4
• 1.3.1 深度学习的应用 4
• 1.3.2 深度学习的浮夸宣传 6
• 1.3.3 深度学习发展史 6
• 1.3.4 为何是现在 7
• 1.3.5 硬件可用性 7
• 1.3.6 数据和算法 8
• 1.3.7 深度学习框架 9
• 1.4 小结 10
• 第 2章 神经网络的构成 11
• 2.1 安装PyTorch 11
• 2.2 实现第 一个神经网络 12
• 2.2.1 准备数据 13
• 2.2.2 为神经网络创建数据 20
• 2.2.3 加载数据 24
• 2.3 小结 25
• 第3章 深入了解神经网络 26
• 3.1 详解神经网络的组成部分 26
• 3.1.1 层—神经网络的基本组成 27
• 3.1.2 非线性激活函数 29
• 3.1.3 PyTorch中的非线性激活函数 32
• 3.1.4 使用深度学习进行图像分类 36
• 3.2 小结 46
• 第4章 机器学习基础 47
• 4.1 三类机器学习问题 47
• 4.1.1 有监督学习 48
• 4.1.2 无监督学习 48
• 4.1.3 强化学习 48
• 4.2 机器学习术语 49
• 4.3 评估机器学习模型 50
• 4.4 数据预处理与特征工程 54
• 4.4.1 向量化 54
• 4.4.2 值归一化 54
• 4.4.3 处理缺失值 55
• 4.4.4 特征工程 55
• 4.5 过拟合与欠拟合 56
• 4.5.1 获取更多数据 56
• 4.5.2 缩小网络规模 57
• 4.5.3 应用权重正则化 58
• 4.5.4 应用dropout 58
• 4.5.5 欠拟合 60
• 4.6 机器学习项目的工作流 60
• 4.6.1 问题定义与数据集创建 60
• 4.6.2 成功的衡量标准 61
• 4.6.3 评估协议 61
• 4.6.4 准备数据 62
• 4.6.5 模型基线 62
• 4.6.6 大到过拟合的模型 63
• 4.6.7 应用正则化 63
• 4.6.8 学习率选择策略 64
• 4.7 小结 65
• 第5章 深度学习之计算机视觉 66
• 5.1 神经网络简介 66
• 5.2 从零开始构建CNN模型 69
• 5.2.1 Conv2d 71
• 5.2.2 池化 74
• 5.2.3 非线性激活—ReLU 75
• 5.2.4 视图 76
• 5.2.5 训练模型 77
• 5.2.6 狗猫分类问题—从零开始构建CNN 80
• 5.2.7 利用迁移学习对狗猫分类 82
• 5.3 创建和探索VGG16模型 84
• 5.3.1 冻结层 85
• 5.3.2 微调VGG16模型 85
• 5.3.3 训练VGG16模型 86
• 5.4 计算预卷积特征 88
• 5.5 理解CNN模型如何学习 91
• 5.6 CNN层的可视化权重 94
• 5.7 小结 95
• 第6章 序列数据和文本的深度学习 96
• 6.1 使用文本数据 96
• 6.1.1 分词 98
• 6.1.2 向量化 100
• 6.2 通过构建情感分类器训练词向量 104
• 6.2.1 下载IMDB数据并对文本分词 104
• 6.2.2 构建词表 106
• 6.2.3 生成向量的批数据 107
• 6.2.4 使用词向量创建网络模型 108
• 6.2.5 训练模型 109
• 6.3 使用预训练的词向量 110
• 6.3.1 下载词向量 111
• 6.3.2 在模型中加载词向量 112
• 6.3.3 冻结embedding层权重 113
• 6.4 递归神经网络（RNN） 113
• 6.5 LSTM 117
• 6.5.1 长期依赖 117
• 6.5.2 LSTM网络 117
• 6.6 基于序列数据的卷积网络 123
• 6.7 小结 125
• 第7章 生成网络 126
• 7.1 神经风格迁移 126
• 7.1.1 加载数据 129
• 7.1.2 创建VGG模型 130
• 7.1.3 内容损失 131
• 7.1.4 风格损失 131
• 7.1.5 提取损失 133
• 7.1.6 为网络层创建损失函数 136
• 7.1.7 创建优化器 136
• 7.1.8 训练 137
• 7.2 生成对抗网络（GAN） 138
• 7.3 深度卷机生成对抗网络 139
• 7.3.1 定义生成网络 140
• 7.3.2 定义判别网络 144
• 7.3.3 定义损失函数和优化器 145
• 7.3.4 训练判别网络 145
• 7.3.5 训练生成网络 146
• 7.3.6 训练整个网络 147
• 7.3.7 检验生成的图片 148
• 7.4 语言建模 150
• 7.4.1 准备数据 151
• 7.4.2 生成批数据 152
• 7.4.3 定义基于LSTM的模型 153
• 7.4.4 定义训练和评估函数 155
• 7.4.5 训练模型 157
• 7.5 小结 159
• 第8章 现代网络架构 160
• 8.1 现代网络架构 160
• 8.1.1 ResNet 160
• 8.1.2 Inception 168
• 8.2 稠密连接卷积网络（DenseNet） 175
• 8.2.1 DenseBlock 175
• 8.2.2 DenseLayer 176
• 8.3 模型集成 180
• 8.3.1 创建模型 181
• 8.3.2 提取图片特征 182
• 8.3.3 创建自定义数据集和数据加载器 183
• 8.3.4 创建集成模型 184
• 8.3.5 训练和验证模型 185
• 8.4 encoder-decoder架构 186
• 8.4.1 编码器 188
• 8.4.2 解码器 188
• 8.5 小结 188
• 第9章 未来走向 189
• 9.1 未来走向 189
• 9.2 回顾 189
• 9.3 有趣的创意应用 190
• 9.3.1 对象检测 190
• 9.3.2 图像分割 191
• 9.3.3 PyTorch中的OpenNMT 192
• 9.3.4 Allen NLP 192
• 9.3.5 fast.ai—神经网络不再神秘 192
• 9.3.6 Open Neural Network Exchange 192
• 9.4 如何跟上前沿 193
• 9.5 小结 193