PyTorch教程 21个项目玩转PyTorch实战

通过经典项目入门 PyTorch，通过前沿项目提升 PyTorch，基于PyTorch玩转深度学习。

PyTorch是基于Torch库的开源机器学习库，它主要由Meta（原Facebook）的人工智能研究实验室开发，在自然语言处理和计算机视觉领域都具有广泛的应用。本书介绍了简单且经典的入门项目，方便快速上手，如MNIST数字识别，读者在完成项目的过程中可以了解数据集、模型和训练等基础概念。本书还介绍了一些实用且经典的模型，如R-CNN模型，通过这个模型的学习，读者可以对目标检测任务有一个基本的认识，对于基本的网络结构原理有一定的了解。另外，本书对于当前比较热门的生成对抗网络和强化学习也有一定的介绍，方便读者拓宽视野，掌握前沿方向。
本书适合人工智能、机器学习、深度学习方面的人员阅读，也适合其他IT方面从业者，另外，还可以作为相关专业的教材。

王飞，2019年翻译了PyTorch官方文档，读研期间研究方向为自然语言处理，主要是中文分词、文本分类和数据挖掘。目前在教育行业工作，探索人工智能技术在教育中的应用。 何健伟，曾任香港大学研究员，研究方向为自然语言处理，目前从事大规模推荐算法架构研究工作。 林宏彬，硕士期间研究方向为自然语言处理，现任阿里巴巴算法工程师，目前从事广告推荐领域的算法研究工作。 史周安，软件工程硕士，人工智能技术爱好者、实践者与探索者。目前从事弱监督学习、迁移学习与医学图像相关工作。

第1章 数字识别
1.1 MNIST数据集2
1.1.1 MNIST 数据集简介2
1.1.2 导入数据集3
1.2 构建模型4
1.2.1 定义神经网络4
1.2.2 前向传播6
1.2.3 计算损失7
1.2.4 反向传播与更新参数8
1.3 开始训练8
1.4 观察模型预测结果9
1.5 总结11
第2章 ImageNet图像识别模型与CIFAR-10
2.1 图像分类器13
2.1.1 CIFAR-10数据集简介13
2.1.2 加载数据集14
2.1.3 定义卷积神经网络15
2.1.4 定义损失函数和优化器16
2.1.5 训练网络16
2.1.6 使用测试集评估17
2.1.7 使用GPU加速19
2.2 ImageNet和图像识别模型20
2.2.1 ImageNet20
2.2.2 基于 ImageNet 的图像识别模型20
2.3 总结22
第3章 从零构建图像分类模型
3.1 预训练模型原理24
3.1.1 状态字典24
3.1.2 通过设备保存25
3.2 加载ImageNet预训练模型25
3.3 准备数据27
3.3.1 加载数据集28
3.3.2 使用matplotlib可视化数据29
3.4 开始训练29
3.5 使用torchvision微调模型31
3.6 观察模型预测结果31
3.7 固定模型的参数33
3.8 使用tensorbord可视化训练情况34
3.9 总结35
第4章 文本生成
4.1 RNN原理及其结构37
4.1.1 经典RNN结构37
4.1.2 N VS 1 式RNN结构38
4.1.3 1 VS N RNN结构39
4.1.4 N VS M RNN结构39
4.2 明确任务39
4.3 准备数据40
4.4 构建模型44
4.5 开始训练45
4.6 观察交互结果47
4.7 总结49
第5章 目标检测和实例分割
5.1 快速了解目标检测51
5.1.1 评估方法51
5.1.2 直观方法 51
5.2 R-CNN系列模型的原理53
5.2.1 R-CNN原理53
5.2.2 Fast R-CNN原理54
5.2.3 Faster R-CNN原理56
5.2.4 Mask R-CNN原理58
5.3 使用torchvison微调模型58
5.3.1 使用Penn-Fudan数据集58
5.3.2 搭建目标检测模型61
5.3.3 下载必要的工具文件62
5.3.4 改造模型以适应新的数据集62
5.3.5 调用工具文件训练模型64
5.3.6 评估和测试模型66
5.4 总结68
第6章 人脸检测与识别
6.1 模型介绍70
6.2 facenet-pytorch库70
6.3 预训练模型71
6.4 总结74
第7章 利用DCGAN生成假脸
7.1 GAN及其原理76
7.2 DCGAN简介77
7.3 实现一个假脸生成模型78
7.3.1 模型设定78
7.3.2 人脸数据集79
7.3.3 实现生成器81
7.3.4 实现判别器83
7.3.5 损失函数和优化器85
7.4 训练假脸生成模型85
7.4.1 训练的整体流程86
7.4.2 更新判别器87
7.4.3 更新生成器88
7.5 可视化结果89
7.6 总结91
第8章 pix2pix为黑白图片上色
8.1 带约束的生成对抗网络93
8.2 pix2pix的原理94
8.3 实现图到图翻译模型95
8.3.1 Facade数据集97
8.3.2 U-Net作为生成器100
8.3.3 PatchGAN作为判别器103
8.4 训练判别器和生成器105
8.4.1 更新判别器107
8.4.2 更新生成器108
8.5 根据立面结构生成房屋图片109
8.6 黑白图片自动上色110
8.7 总结111
第9章 Neural-Style与图像风格迁移
9.1 理解图像风格迁移算法113
9.1.1 传统风格迁移113
9.1.2 Neural-Style算法原理114
9.2 加载图像116
9.3 定义损失模块118
9.3.1 内容损失模块118
9.3.2 风格损失模块119
9.4 导入预训练模型120
9.5 使用L-BFGS进行梯度下降123
9.6 训练自己的风格124
9.7 总结126
第10章 对抗机器学习和欺骗模型
10.1 模型的潜在威胁128
10.2 快速梯度符号法128
10.3 攻击一个图像识别模型129
10.3.1 被攻击的模型129
10.3.2 FGSM算法131
10.4 开始攻击131
10.4.1 攻击流程132
10.4.2 攻击结果133
10.5 总结136
第11章 word2vec与词向量
11.1 词嵌入作用138
11.2 词嵌入原理139
……