PyTorch开发入门：深度学习模型的构建与程序实现

人工智能无疑是近年来热门词汇，而深度学习又是热门中的热门，对于想要进入人工智能行业的您来说，节省时间、快速入门首要问题。再多的知识也要实践，现场实操，才是快速学习、消化的通路。 《PyTorch开发入门：深度学习模型的构建与程序实现》正是这样一本，从基础理论讲起，以实操驱动的方式全面展示技巧和方法，为您提供了快速入门机器学习的途径，找到了学习的方法。

《PyTorch开发入门：深度学习模型的构建与程序实现》以PyTorch为主要内容，介绍了其安装和实际应用，共7章。其中，第1章介绍了PyTorch的包结构；第2章介绍了线性模型，并通过PyTorch的实际使用来实现线性回归模型和逻辑回归模型；第3章介绍了神经网络，实际使用PyTorch创建一个多层感知器（Perceptron）；第4章介绍了通过卷积神经网络（CNN）进行的图像处理，通过PyTorch实际进行CNN的图像分类，低分辨率图像到高分辨率的转换，使用深度卷积生成对抗网络（DCGAN）进行新的图像生成以及迁移学习；第5章介绍了通过循环神经网络（RNN）进行的自然语言处理，通过PyTorch实际进行文本的分类和文本的生成以及基于编码器-解码器模型的机器翻译；第6章介绍了矩阵分解以及推荐系统的神经网络构建；第7章介绍了PyTorch模型的应用程序嵌入，WebAPI的实际创建，Docker的打包发布，以及基于*新开放神经网络交换（ONNX）标准的模型移植。

杜世桥,大学时期就读于东京工业大学分子生物学专业，毕业后在一家IT公司从事软件开发和数据分析工作。在攻读研究生阶段，接触到了当时还不够活跃的Python和NumPy，并通过建立研究小组和编写资料进行了Python宣教活动。近年来，致力于为初创公司提供数据分析和机器学习开发支持。自2018年4月起，在物流IT初创公司工作，对机器学习、大数据分析和服务器开发等具有浓厚的兴趣。

目  录译者序原书前言阅读本书需要的知识基础本书的构成关于本书样例和样例程序的运行环境第0 章 开发环境的准备 0010.1 本书的验证环境 0020.1.1 OS 环境：Ubuntu 16.04 0020.1.2 NVIDIA 公司的GPU 0020.1.3 在云端启动GPU 配置的实例 0030.2  开发环境的构建 0040.2.1 Miniconda 的安装 0040.2.2 虚拟环境的构建 007第1 章 PyTorch 基础 0111.1  PyTorch 的构成 0121.1.1 PyTorch 整体情况 0121.2 Tensor 0131.2.1 Tensor 的生成和转换 0131.2.2 Tensor 的索引操作 0141.2.3 Tensor 的运算 0151.3 Tensor 和自动微分 0201.4  本章小结 022第2 章 极大似然估计与线性模型 0232.1 随机模型和极大似然估计 0242.2 随机梯度下降法 0262.3  线性回归模型 0272.3.1 线性回归模型的极大似然估计 0272.3.2 PyTorch中的线性回归模型（from scratch） 0282.3.3 PyTorch中的线性回归模型（nn、optim 模块的应用） 0302.4 logistic回归 0332.4.1 logistic回归的极大似然估计 0332.4.2 PyTorch中的logistic 回归 0342.4.3 多元logistic回归 0362.5 本章小结 039第3 章 多层感知器 0413.1 MLP 的构建与学习 0423.2 Dataset 与DataLoader 0463.3 高效学习的提示 0483.3.1 基于Dropout 的正则化 0483.3.2 通过Batch Normalization 进行学习的加速 0513.4 网络模块化 0533.4.1 自有网络层（自定义层）的创建 0533.5 本章小结 055第4 章 图像处理和卷积神经网络 0574.1  图像的卷积计算 0584.2  基于CNN 的图像分类 0594.2.1 Fashion-MNIST 0594.2.2 CNN 的构建与学习训练 0614.3 迁移学习 0664.3.1 数据准备 0684.3.2 通过PyTorch 进行迁移学习 0704.4 通过CNN 回归模型提高图像分辨率 0764.4.1 数据准备 0764.4.2 模型的创建 0784.5  基于DCGAN 的图像生成 0844.5.1 什么是GAN 0844.5.2 数据准备 0844.5.3 基于PyTorch 的DCGAN 0864.6  本章小结 094第5 章 自然语言处理与循环神经网络 0955.1 RNN 0965.2  文本数据的数值化 0975.3 RNN 与文本的分类 0995.3.1 IMDb 评论数据集 0995.3.2 网络的定义和训练 1035.3.3 可变长度序列的处理 1085.4 RNN 的文本生成 1115.4.1 数据准备 1115.4.2 模型的定义和学习 1145.5 基于编码器 - 解码器模型的机器翻译 1195.5.1 编码器- 解码器模型 1195.5.2 数据准备 1205.5.3 基于PyTorch 的编码器- 解码器模型 1245.6 本章小结 131第6 章 推荐系统和矩阵分解 1336.1 矩阵分解 1346.1.1 理论背景 1346.1.2 MovieLens 数据集 1356.1.3 PyTorch 中的矩阵分解 1366.2  基于神经网络的矩阵分解 1416.2.1 非线性矩阵分解 1416.2.2 附加信息的使用 1426.3  本章小结 149第7 章 应用程序中的嵌入 1517.1 模型的保存和读取 1527.2 使用Flask 的WebAPI 1547.3 利用Docker 进行调试 1627.3.1 nvidia-docker 的安装 1627.3.2 PyTorch Docker 映像的创建 1637.3.3 WebAPI 的部署 1657.4  与使用ONNX 的其他框架的协作 1687.4.1 什么是ONNX 1687.4.2 PyTorch 模型的导出 1697.4.3  Caffe2 中ONNX 模型的使用 1707.4.4 将ONNX 模型另存为Caffe2 模型 1727.5  本章小结 174附录附录A 训练过程的可视化 175A.1  通过TensorBoard 进行的可视化 176附录B Colaboratory 下PyTorch 开发环境的构建 181B.1  Colaboratory 下PyTorch 开发环境的构建方法 182B.1.1  什么是Colaboratory 182B.1.2 机器的配置 182B.1.3 PyTorch 环境的构建 182B.1.4 PyTorch 的安装 189B.1.5 数据的获取 190