编辑推荐
深度学习为世界上的智能系统（比如Google Voice、Siri和Alexa）提供了动力。随着硬件（如GPU）和软件框架（如PyTorch、Keras、TensorFlow和CNTK）的进步以及大数据的可用性，人们在文本、视觉和分析等领域更容易实施相应问题的解决方案。本书对当今前沿的深度学习库PyTorch进行了讲解。凭借其易学习性、高效性以及与Python开发的天然亲近性，PyTorch获得了深度学习研究人员以及数据科学家们的关注。本书从PyTorch的安装讲起，然后介绍了为现代深度学习提供驱动力的多个基础模块，还介绍了使用CNN、RNN、LSTM以及其他网络模型解决问题的方法。本书对多个先进的深度学习架构的概念（比如ResNet、DenseNet、Inception和Seq2Seq）进行了阐述，但没有深挖其背后的数学细节。与GPU计算相关的知识、使用PyTorch训练模型的方法，以及用来生成文本和图像的复杂神经网络（如生成网络），也在本书中有所涵盖。学完本书后，读者可以使用PyTorch轻松开发深度学习应用程序。本书内容：在GPU加速的张量计算中使用PyTorch；为图像自行创建数据集和数据装载器，然后使用torchvision和torchtext测试模型；使用PyTorch来实现CNN架构，从而构建图像分类器；使用RNN、LSTM和GRU开发能进行文本分类和语言建模的系统；学习的CCN架构（比如ResNet、Inception、DenseNet等），并将其应用在迁移学习中；学习如何混合多个模型，从而生成一个强大的集成模型；使用GAN生成新图像，并使用风格迁移生成艺术图像。
内容介绍
PyTorch是Facebook于2017年初在机器学习和科学计算工具Torch的基础上，针对Python语言发布的一个全新的机器学习工具包，一经推出便受到了业界的广泛关注和讨论，目前已经成为机器学习从业人员的研发工具。
《PyTorch深度学习》是使用PyTorch构建神经网络模型的实用指南，适合对深度学习领域感兴趣且希望一探PyTorch的业内人员阅读；具备其他深度学习框架使用经验的读者，也可以通过本书掌握PyTorch的用法。
内容分为9章，包括PyTorch与深度学习的基础知识、神经网络的构成、神经网络的知识、机器学习基础知识、深度学习在计算机视觉中的应用、深度学习在序列数据和文本中的应用、生成网络、现代网络架构，以及PyTorch与深度学习的未来走向。
作者简介
Vishnu Subramanian在领导、设计和实施大数据分析项目（人工智能、机器学习和深度学习）方面富有经验。擅长机器学习、深度学习、分布式机器学习和可视化等。在零售、金融和旅行等行业颇具经验，还善于理解和协调企业、人工智能和工程团队之间的关系。
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 1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
