深入理解PyTorch

本书详细阐述了与 PyTorch相关的基本解决方 案，主要包括深度卷积神经 网络架构、结合CNN和 LSTM、深度循环模型架构 、高级混合模型、图神经网 络、使用PyTorch生成音乐 和文本、神经风格迁移、深 度卷积GAN、利用扩散生成 图像、深度强化学习、模型 训练优化、将PyTorch模型 投入生产、移动设备上的 PyTorch、使用PyTorch进行 快速原型开发、PyTorch和 AutoML、PyTorch与可解释 人工智能、推荐系统与 PyTorch、PyTorch和 Hugging Face等内容。此 外，本书还提供了相应的示 例、代码，以帮助读者进一 步理解相关方案的实现过程 。 本书适合作为高等院校 计算机及相关专业的教材和 教学参考书，也可作为相关 开发人员的自学用书和参考 手册。

阿施·拉贾汉·贾，拥有IIT Roorkee（印度）电气工程学士学位，EPFL（瑞士）计算机科学硕士学位。EPFL（瑞士）计算机科学硕士学位，Quantic商学院（华盛顿）MBA学位，并都以优异成绩毕业。Ashish曾在甲骨文、索尼及初创科技公司等多家科技公司工作，在Revolut担任机器学习工程师。

第1章 PyTorch深度学习概述 1.1 深度学习回顾 1.2 优化计划 1.3 PyTorch库与TensorFlow的对比 1.3.1 张量模块 1.3.2 PyTorch模块 1.3.3 使用PyTorch训练神经网络 1.4 本章小结 1.5 参考文献 第2章 深度卷积神经网络架构 2.1 为什么CNN如此强大 2.2 CNN架构的演变 2.3 从头开始开发LeNet 2.3.1 使用PyTorch构建LeNet 2.3.2 训练LeNet 2.3.3 测试LeNet 2.4 微调AlexNet模型 2.5 运行预训练的VGG模型 2.6 GoogLeNet和Inceptionv 2.6.1 Inception模块 2.6.21 ×1卷积 2.6.3 全局平均池化 2.6.4 辅助分类器 2.6.5 Inceptionv 2.7 ResNet和DenseNet架构 2.7.1 ResNet 2.7.2 DenseNet 2.8 EfficientNet和CNN架构的未来 2.9 本章小结 2.10 参考文献 第3章 结合CNN和LSTM 3.1 构建带有CNN和LSTM的神经网络 3.2 使用PyTorch构建图像字幕生成器 3.2.1 下载图像字幕数据集 3.2.2 预处理字幕（文本）数据 3.2.3 预处理图像数据 3.2.4 定义图像字幕数据加载器 3.2.5 定义CNN-LSTM模型 3.2.6 训练CNN-LSTM模型 3.2.7 使用训练好的模型生成图像字幕 3.3 本章小结 3.4 参考文献 第4章 深度循环模型架构 4.1 探索循环网络的演变 4.1.1 循环神经网络的类型 4.1.2 RNN 4.1.3 双向RNN 4.1.4 LSTM 4.1.5 扩展和双向LSTM 4.1.6 多维RNN