123,123,123

內(nèi)容簡(jiǎn)介

　　《PyTorch開(kāi)發(fā)入門(mén)：深度學(xué)習(xí)模型的構(gòu)建與程序?qū)崿F(xiàn)》以PyTorch為主要內(nèi)容，介紹了其安裝和實(shí)際應(yīng)用，共7章。其中，第1章介紹了PyTorch的包結(jié)構(gòu)；第2章介紹了線性模型，并通過(guò)PyTorch的實(shí)際使用來(lái)實(shí)現(xiàn)線性回歸模型和邏輯回歸模型；第3章介紹了神經(jīng)網(wǎng)絡(luò)，實(shí)際使用PyTorch創(chuàng)建一個(gè)多層感知器（Perceptron）；第4章介紹了通過(guò)卷積神經(jīng)網(wǎng)絡(luò)（CNN）進(jìn)行的圖像處理，通過(guò)PyTorch實(shí)際進(jìn)行CNN的圖像分類，低分辨率圖像到高分辨率的轉(zhuǎn)換，使用深度卷積生成對(duì)抗網(wǎng)絡(luò)（DCGAN）進(jìn)行新的圖像生成以及遷移學(xué)習(xí)；第5章介紹了通過(guò)循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）進(jìn)行的自然語(yǔ)言處理，通過(guò)PyTorch實(shí)際進(jìn)行文本的分類和文本的生成以及基于編碼器-解碼器模型的機(jī)器翻譯；第6章介紹了矩陣分解以及推薦系統(tǒng)的神經(jīng)網(wǎng)絡(luò)構(gòu)建；第7章介紹了PyTorch模型的應(yīng)用程序嵌入，WebAPI的實(shí)際創(chuàng)建，Docker的打包發(fā)布，以及基于*新開(kāi)放神經(jīng)網(wǎng)絡(luò)交換（ONNX）標(biāo)準(zhǔn)的模型移植。

作者簡(jiǎn)介

暫缺《PyTorch開(kāi)發(fā)入門(mén)：深度學(xué)習(xí)模型的構(gòu)建與程序?qū)崿F(xiàn)》作者簡(jiǎn)介

圖書(shū)目錄

目　錄
譯者序
原書(shū)前言
閱讀本書(shū)需要的知識(shí)基礎(chǔ)
本書(shū)的構(gòu)成
關(guān)于本書(shū)樣例和樣例程序的運(yùn)行環(huán)境
第0 章開(kāi)發(fā)環(huán)境的準(zhǔn)備 001
0.1 本書(shū)的驗(yàn)證環(huán)境 002
0.1.1 OS 環(huán)境：Ubuntu 16.04 002
0.1.2 NVIDIA 公司的GPU 002
0.1.3 在云端啟動(dòng)GPU 配置的實(shí)例 003
0.2　開(kāi)發(fā)環(huán)境的構(gòu)建 004
0.2.1 Miniconda 的安裝 004
0.2.2 虛擬環(huán)境的構(gòu)建 007

第1 章 PyTorch 基礎(chǔ) 011
1.1　PyTorch 的構(gòu)成 012
1.1.1 PyTorch 整體情況 012
1.2 Tensor 013
1.2.1 Tensor 的生成和轉(zhuǎn)換 013
1.2.2 Tensor 的索引操作 014
1.2.3 Tensor 的運(yùn)算 015
1.3 Tensor 和自動(dòng)微分 020
1.4　本章小結(jié) 022

第2 章極大似然估計(jì)與線性模型 023
2.1 隨機(jī)模型和極大似然估計(jì) 024
2.2 隨機(jī)梯度下降法 026
2.3　線性回歸模型 027
2.3.1 線性回歸模型的極大似然估計(jì) 027
2.3.2 PyTorch中的線性回歸模型（from scratch） 028
2.3.3 PyTorch中的線性回歸模型（nn、optim 模塊的應(yīng)用） 030
2.4 logistic回歸 033
2.4.1 logistic回歸的極大似然估計(jì) 033
2.4.2 PyTorch中的logistic 回歸 034
2.4.3 多元logistic回歸 036
2.5 本章小結(jié) 039

第3 章多層感知器 041
3.1 MLP 的構(gòu)建與學(xué)習(xí) 042
3.2 Dataset 與DataLoader 046
3.3 高效學(xué)習(xí)的提示 048
3.3.1 基于Dropout 的正則化 048
3.3.2 通過(guò)Batch Normalization 進(jìn)行學(xué)習(xí)的加速 051
3.4 網(wǎng)絡(luò)模塊化 053
3.4.1 自有網(wǎng)絡(luò)層（自定義層）的創(chuàng)建 053
3.5 本章小結(jié) 055

第4 章圖像處理和卷積神經(jīng)網(wǎng)絡(luò) 057
4.1　圖像的卷積計(jì)算 058
4.2　基于CNN 的圖像分類 059
4.2.1 Fashion-MNIST 059
4.2.2 CNN 的構(gòu)建與學(xué)習(xí)訓(xùn)練 061
4.3 遷移學(xué)習(xí) 066
4.3.1 數(shù)據(jù)準(zhǔn)備 068
4.3.2 通過(guò)PyTorch 進(jìn)行遷移學(xué)習(xí) 070
4.4 通過(guò)CNN 回歸模型提高圖像分辨率 076
4.4.1 數(shù)據(jù)準(zhǔn)備 076
4.4.2 模型的創(chuàng)建 078
4.5　基于DCGAN 的圖像生成 084
4.5.1 什么是GAN 084
4.5.2 數(shù)據(jù)準(zhǔn)備 084
4.5.3 基于PyTorch 的DCGAN 086
4.6　本章小結(jié) 094

第5 章自然語(yǔ)言處理與循環(huán)神經(jīng)網(wǎng)絡(luò) 095
5.1 RNN 096
5.2　文本數(shù)據(jù)的數(shù)值化 097
5.3 RNN 與文本的分類 099
5.3.1 IMDb 評(píng)論數(shù)據(jù)集 099
5.3.2 網(wǎng)絡(luò)的定義和訓(xùn)練 103
5.3.3 可變長(zhǎng)度序列的處理 108
5.4 RNN 的文本生成 111
5.4.1 數(shù)據(jù)準(zhǔn)備 111
5.4.2 模型的定義和學(xué)習(xí) 114
5.5 基于編碼器 - 解碼器模型的機(jī)器翻譯 119
5.5.1 編碼器- 解碼器模型 119
5.5.2 數(shù)據(jù)準(zhǔn)備 120
5.5.3 基于PyTorch 的編碼器- 解碼器模型 124
5.6 本章小結(jié) 131

第6 章推薦系統(tǒng)和矩陣分解 133
6.1 矩陣分解 134
6.1.1 理論背景 134
6.1.2 MovieLens 數(shù)據(jù)集 135
6.1.3 PyTorch 中的矩陣分解 136
6.2　基于神經(jīng)網(wǎng)絡(luò)的矩陣分解 141
6.2.1 非線性矩陣分解 141
6.2.2 附加信息的使用 142
6.3　本章小結(jié) 149

第7 章應(yīng)用程序中的嵌入 151
7.1 模型的保存和讀取 152
7.2 使用Flask 的WebAPI 154
7.3 利用Docker 進(jìn)行調(diào)試 162
7.3.1 nvidia-docker 的安裝 162
7.3.2 PyTorch Docker 映像的創(chuàng)建 163
7.3.3 WebAPI 的部署 165
7.4　與使用ONNX 的其他框架的協(xié)作 168
7.4.1 什么是ONNX 168
7.4.2 PyTorch 模型的導(dǎo)出 169
7.4.3　Caffe2 中ONNX 模型的使用 170
7.4.4 將ONNX 模型另存為Caffe2 模型 172
7.5　本章小結(jié) 174

附錄
附錄A 訓(xùn)練過(guò)程的可視化 175
A.1　通過(guò)TensorBoard 進(jìn)行的可視化 176
附錄B Colaboratory 下PyTorch 開(kāi)發(fā)環(huán)境的構(gòu)建 181
B.1　Colaboratory 下PyTorch 開(kāi)發(fā)環(huán)境的構(gòu)建方法 182
B.1.1　什么是Colaboratory 182
B.1.2 機(jī)器的配置 182
B.1.3 PyTorch 環(huán)境的構(gòu)建 182
B.1.4 PyTorch 的安裝 189
B.1.5 數(shù)據(jù)的獲取 190