PyTorch深度學(xué)習(xí)實(shí)戰(zhàn)

譯者序
前言
作者簡(jiǎn)介
審校者簡(jiǎn)介
第1章　深度學(xué)習(xí)回顧和PyTorch簡(jiǎn)介1
11　PyTorch的歷史2
12　PyTorch是什么3
121　安裝PyTorch4
122　PyTorch流行的原因5
13　使用計(jì)算圖7
131　使用靜態(tài)圖8
132　使用動(dòng)態(tài)圖11
14　探索深度學(xué)習(xí)13
15　開(kāi)始編寫(xiě)代碼22
151　學(xué)習(xí)基本操作22
152　PyTorch的內(nèi)部邏輯28
16　總結(jié)31
參考資料32
第2章　一個(gè)簡(jiǎn)單的神經(jīng)網(wǎng)絡(luò)33
21　問(wèn)題概述33
22　數(shù)據(jù)集34
23　新手模型38
24　PyTorch方式49
241　高階API50
242　functional模塊55
243　損失函數(shù)57
244　優(yōu)化器57
25　總結(jié)59
參考資料59
第3章　深度學(xué)習(xí)工作流60
31　構(gòu)思和規(guī)劃61
32　設(shè)計(jì)和實(shí)驗(yàn)62
321　數(shù)據(jù)集和DataLoader類(lèi)62
322　實(shí)用程序包65
33　模型實(shí)現(xiàn)75
34　訓(xùn)練和驗(yàn)證79
35　總結(jié)86
參考資料 86
第4章　計(jì)算機(jī)視覺(jué)87
41　CNN簡(jiǎn)介87
42　將PyTorch應(yīng)用于計(jì)算機(jī)視覺(jué)90
421　簡(jiǎn)單CNN90
422　語(yǔ)義分割99
43　總結(jié)112
參考資料112
第5章　序列數(shù)據(jù)處理114
51　循環(huán)神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介114
52　問(wèn)題概述116
53　實(shí)現(xiàn)方法116
531　簡(jiǎn)單RNN117
532　高級(jí)RNN130
533　遞歸神經(jīng)網(wǎng)絡(luò)137
54　總結(jié)141
參考資料142
第6章　生成網(wǎng)絡(luò)143
61　方法定義144
62　自回歸模型145
621　PixelCNN147
622　WaveNet153
63　GAN161
631　簡(jiǎn)單GAN161
632　CycleGAN168
64　總結(jié)173
參考資料173
第7章　強(qiáng)化學(xué)習(xí)175
71　問(wèn)題定義177
72　回合制任務(wù)與連續(xù)任務(wù)178
73　累積折扣獎(jiǎng)勵(lì)179
74　馬爾可夫決策過(guò)程180
75　解決方法182
751　策略和價(jià)值函數(shù)182
752　貝爾曼方程183
753　深度Q學(xué)習(xí)184
754　經(jīng)驗(yàn)回放186
755　Gym186
76　總結(jié)194
參考資料194
第8章　將PyTorch應(yīng)用到生產(chǎn)195
81　使用Flask提供服務(wù)196
82　ONNX202
83　使用TorchScript提高效率215
84　探索RedisAI218
85　總結(jié)222
參考資料223