作品简介

本书从多维数组Tensor开始,循序渐进地带领读者了解PyTorch各方面的基础知识,并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,包括GAN生成动漫头像、AI滤镜、AI写诗等。本书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。

本书内容由浅入深,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。即使是有一定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。

陈云,Python程序员、Linux爱好者和PyTorch源码贡献者。主要研究方向包括计算机视觉和机器学习。“2017知乎看山杯机器学习挑战赛”一等奖,“2017天池医疗AI大赛”第八名。热衷于推广PyTorch,并有丰富的使用经验,活跃于PyTorch论坛和知乎相关板块。

作品目录

  • 前言
  • 1 PyTorch简介
  • 1.1 PyTorch的诞生
  • 1.2 常见的深度学习框架简介
  • 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
  • 2.2 PyTorch入门第一步
  • 3 Tensor和autograd
  • 3.1 Tensor
  • 3.2 autograd
  • 4 神经网络工具箱nn
  • 4.1 nn.Module
  • 4.2 常用的神经网络层
  • 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
  • 5.4 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
  • 6.2 PyTorch Debug指南
  • 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
  • 9.2 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
  • 10.3 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
展开全部