PyTorch深度学习指南：编程基础 卷I

“PyTorch深度学习指南”丛书循序渐进地详细讲解了与深度学习相关的重要概念、算法和模型，并着重展示了PyTorch是如何实现这些算法和模型的。其共分三卷：编程基础、计算机视觉、序列与自然语言处理。 本书为该套丛书的第一卷：编程基础。本书主要介绍了梯度下降和PyTorch的Autograd；训练循环、数据加载器、小批量和优化器；二元分类器、交叉熵损失和不平衡数据集；决策边界、评估指标和数据可分离性等内容。 本书适用于对深度学习感兴趣，并希望使用PyTorch实现深度学习的Python程序员阅读学习。

丹尼尔?沃格特?戈多伊是一名数据科学家、开发人员、作家和教师。自2016年以来，他一直在柏林历史最悠久的训练营Data Science Retreat讲授机器学习和分布式计算技术，帮助数百名学生推进职业发展。 丹尼尔还是两个Python软件包——HandySpark和DeepReplay的主要贡献者。 他拥有在多个行业20多年的工作经验，这些行业包括银行、政府、金融科技、零售和移动出行等。

前　言 致　谢 关于作者 译者序 常见问题 　　为什么选择PyTorch？ 　　为什么选择这套书？ 　　谁应该读这套书？ 　　我需要知道什么？ 　　如何阅读这套书？ 　　下一步是什么？ 设置指南 　　官方资料库 　　环境 　　　　谷歌Colab 　　　　Binder 　　　　本地安装 　　继续 第0章　可视化梯度下降 　　剧透 　　Jupyter Notebook 　　　　导入 　　可视化梯度下降 　　模型 　　数据生成 　　　　合成数据生成 　　　　训练-验证-测试拆分 　　第0步——随机初始化 　　第1步——计算模型的预测 　　第2步——计算损失 　　　　损失面 　　　　横截面 　　第3步——计算梯度 　　　　可视化梯度 　　　　反向传播 　　第4步——更新参数 　　　　学习率 　　第5步——循环往复 　　　　梯度下降的路径 　　回顾 第1章　一个简单的回归问题 　　剧透 　　Jupyter Notebook 　　　　导入 　　一个简单的回归问题 　　数据生成 　　　　合成数据生成 　　梯度下降 　　　　第0步——随机初始化 　　　　第1步——计算模型的预测 　　　　第2步——计算损失 　　　　第3步——计算梯度 　　　　第4步——更新参数 　　　　第5步——循环往复 　　Numpy中的线性回归 　　PyTorch 　　　　张量 　　　　加载数据、设备和CUDA 　　　　创建参数 　　Autograd 　　　　backward 　　　　grad 　　　　zero_ 　　　　更新参数 　　　　no_grad 　　动态计算图 　　优化器 　　　　step/zero_grad 　　损失 　　模型 　　　　参数 　　　　state_dict 　　　　设备 　　　　前向传递 　　　　训练 　　　　嵌套模型 　　　　序列（Sequential）模型 　　　　层 　　归纳总结 　　　　数据准备 　　　　模型配置 　　　　模型训练 　　回顾 第2章　重新思考训练循环 　　剧透 　　Jupyter Notebook 　　　　导入 　　重新思考训练循环 　　　　训练步骤 　　Dataset 　　　　TensorDataset 　　DataLoader 　　　　小批量内循环 　　　　随机拆分 　　评估 　　　　绘制损失 　　TensorBoard 　　　　在Notebook中运行 　　　　单独运行（本地安装） 　　　　单独运行（Binder） 　　　　SummaryWriter 　　　　add_graph 　　　　add_scalars 　　保存和加载模型 　　　　模型状态 　　　　保存 　　　　恢复训练 　　　　部署/做出预测 　　　　设置模型的模式 　　归纳总结 　　回顾 第2.1章　追求优雅 　　剧透 　　Jupyter Notebook 　　　　导入 　　追求优雅 　　　　类 　　　　构造方法 　　　　训练方法 　　　　保存和加载方法 　　　　可视化方法 　　　　完整代码 　　典型的管道 　　　　模型训练 　　　　做出预测 　　　　检查点 　　　　恢复训练 　　归纳总结 　　回顾 第3章　一个简单的分类问题 　　剧透 　　Jupyter Notebook 　　　　导入 　　一个简单的分类问题 　　数据生成 　　数据准备 　　模型 　　　　logit 　　　　概率 　　　　比值比（Odds Ratio） 　　　　对数比值比 　　　　从logit到概率 　　　　Sigmoid 　　　　逻辑斯蒂回归 　　损失 　　　　BCELoss 　　　　BCEWithLogitsLoss 　　　　不平衡数据集 　　模型配置 　　模型训练 　　决策边界 　　分类阈值 　　　　混淆矩阵 　　　　指标 　　　　权衡和曲线 　　归纳总结 　　回顾