内容提要

《深度学习框架ＰｙＴｏｒｃｈ：入门与实践》从多维数组Ｔｅｎｓｏｒ开始，循序渐进地带领读者了解ＰｙＴｏｒｃｈ各方面的基础知识。结合基础知识和前沿研究，带领读者从零开始完成几个经典有趣的深度学习小项目，包罗ＧＡＮ生成动漫头像、ＡＩ滤镜、ＡＩ写诗等。《深度学习框架ＰｙＴｏｒｃｈ：入门与实践》没有简单机械地介绍各个函数接口的使用，而是尝试分门别类、循序渐进地向读者介绍ＰｙＴｏｒｃｈ的知识，希望读者对ＰｙＴｏｒｃｈ有一个完整的认识。

《深度学习框架ＰｙＴｏｒｃｈ：入门与实践》内容由浅入深，无论是深度学习的初学者，还是第一次接触ＰｙＴｏｒｃｈ的研究人员，都能在学习本书的过程中快速掌握ＰｙＴｏｒｃｈ。即使是有必然ＰｙＴｏｒｃｈ使用经验的用户，也能够从本书中获得对ＰｙＴｏｒｃｈ不一样的理解。

目录

１　　ＰｙＴｏｒｃｈ简介

１．１　ＰｙＴｏｒｃｈ的诞生

１．２　常见的深度学习框架简介

１．２．１　Ｔｈｅａｎｏ

１．２．２　ＴｅｎｓｏｒＦｌｏｗ

１．２．３　Ｋｅｒａｓ

１．２．４　Ｃａｆｆｅ／Ｃａｆｆｅ２

１．２．５　ＭＸＮｅｔ

１．２．６　ＣＮＴＫ

１．２．７　其他框架

１．３　属于动态图的未来

１．４　为什么选择ＰｙＴｏｒｃｈ

１．５　星火燎原

１．６　ｆａｓｔ．ａｉ　放弃Ｋｅｒａｓ＋ＴｅｎｓｏｒＦｌｏｗ选择ＰｙＴｏｒｃｈ

２　　快速入门

２．１　安装与配置

２．１．１　安装ＰｙＴｏｒｃｈ

２．１．２　学习环境配置

２．２　ＰｙＴｏｒｃｈ入门第一步

２．２．１　Ｔｅｎｓｏｒ

２．２．２　Ａｕｔｏｇｒａｄ：自动微分

２．２．３　神经网络

２．２．４　小试牛刀：ＣＩＦＡＲ－１０分类

３　　Ｔｅｎｓｏｒ和ａｕｔｏｇｒａｄ

３．１　Ｔｅｎｓｏｒ

３．１．１　基础操作

３．１．２　Ｔｅｎｓｏｒ和Ｎｕｍｐｙ

３．１．３　内部结构

３．１．４　其他有关Ｔｅｎｓｏｒ的话题

３．１．５　小试牛刀：线性回归

３．２　ａｕｔｏｇｒａｄ

３．２．１　Ｖａｒｉａｂｌｅ

３．２．２　计算图

３．２．３　扩展ａｕｔｏｇｒａｄ

３．２．４　小试牛刀：用Ｖａｒｉａｂｌｅ实现线性回归

４　　神经网络工具箱ｎｎ

４．１　ｎｎ．Ｍｏｄｕｌｅ

４．２　常用的神经网络层

４．２．１　图像相关层

４．２．２　激活函数

４．２．３　循环神经网络层

４．２．４　损失函数

４．３　优化器

４．４　ｎｎ．ｆｕｎｃｔｉｏｎａｌ

４．５　初始化策略

４．６　ｎｎ．Ｍｏｄｕｌｅ深入分析

４．７　ｎｎ和ａｕｔｏｇｒａｄ的关系

４．８　小试牛刀：用５０行代码搭建ＲｅｓＮｅｔ

５　　ＰｙＴｏｒｃｈ中常用的工具

５．１　数据处理

５．２　计算机视觉工具包：ｔｏｒｃｈｖｉｓｉｏｎ

５．３　可视化工具

５．３．１　Ｔｅｎｓｏｒｂｏａｒｄ

５．３．２　ｖｉｓｄｏｍ

５．４　使用ＧＰＵ加速：ｃｕｄａ

５．５　持久化

６　　ＰｙＴｏｒｃｈ实战指南

６．１　编程实战：猫和狗二分类

６．１．１　比赛介绍

６．１．２　文件组织架构

６．１．３　关于＿＿ｉｎｉｔ＿＿．ｐｙ

６．１．４　数据加载

６．１．５　模型定义

６．１．６　工具函数

６．１．７　配置文件

６．１．８　ｍａｉｎ．ｐｙ

６．１．９　使用

６．１．１０　争议

６．２　ＰｙＴｏｒｃｈ　Ｄｅｂｕｇ　指南

６．２．１　ｉｐｄｂ　介绍

６．２．２　在ＰｙＴｏｒｃｈ中Ｄｅｂｕｇ

７　　ＡＩ插画师：生成对抗网络

７．１　ＧＡＮ的原理简介

７．２　用ＧＡＮ生成动漫头像

７．３　实验结果分析

８　　ＡＩ艺术家：神经网络风格迁移

８．１　风格迁移原理介绍

８．２　用ＰｙＴｏｒｃｈ实现风格迁移

８．３　实验结果分析

９　　ＡＩ诗人：用ＲＮＮ写诗

９．１　自然语言处理的基础知识

９．１．１　词向量

９．１．２　ＲＮＮ

９．２　ＣｈａｒＲＮＮ

９．３　用ＰｙＴｏｒｃｈ实现ＣｈａｒＲＮＮ

９．４　实验结果分析

１０　　Ｉｍａｇｅ　Ｃａｐｔｉｏｎ：让神经网络看图讲故事

１０．１　图像描述介绍

１０．２　数据

１０．２．１　数据介绍

１０．２．２　图像数据处理

１０．２．３　数据加载

１０．３　模型与训练

１０．４　实验结果分析

１１　　展望与未来

１１．１　ＰｙＴｏｒｃｈ的局限与发展

１１．２　使用建议