PyTorch開發入門：深度學習模型的構建與程序實現


	《PyTorch開發入門：深度學習模型的構建與程式實現》以PyTorch為主要內容，介紹了其安裝和實際應用，共7章。其中，第1章介紹了PyTorch的包結構；第2章介紹了線性模型，並通過PyTorch的實際使用來實現線性回歸模型和邏輯回歸模型；第3章介紹了神經網路，實際使用PyTorch創建一個多層感知器（Perceptron）；第4章介紹了通過卷積神經網路（CNN）進行的影像處理，通過PyTorch實際進行CNN的圖像分類，低解析度圖像到高解析度的轉換，使用深度卷積生成對抗網路（DCGAN）進行新的圖像生成以及遷移學習；第5章介紹了通過迴圈神經網路（RNN）進行的自然語言處理，通過PyTorch實際進行文本的分類和文本的生成以及基於編碼器-解碼器模型的機器翻譯；第6章介紹了矩陣分解以及推薦系統的神經網路構建；第7章介紹了PyTorch模型的應用程式嵌入，WebAPI的實際創建，Docker的打包發佈，以及基於最新開放神經網路交換（ONNX）標準的模型移植。



	購買中國簡體書籍請注意： 1. 因裝幀品質及貨運條件未臻完善，中國簡體書可能有出現磨痕、凹痕、折痕等問題，故簡體字館除封面破損、內頁脫落、缺頁等較嚴重的狀態外，其餘所有商品將正常出貨。


	目錄第0章開發環境的準備001 0.1本書的驗證環境002 0.1.1OS環境：Ubuntu16.04002 0.1.2NVIDIA公司的GPU002 0.1.3在雲端啟動GPU配置的實例003 0.2開發環境的構建004 0.2.1Miniconda的安裝004 0.2.2虛擬環境的構建007 第1章PyTorch基礎011 1.1PyTorch的構成012 1.1.1PyTorch整體情況012 1.2Tensor013 1.2.1Tensor的生成和轉換013 1.2.2Tensor的索引操作014 1.2.3Tensor的運算015 1.3Tensor和自動微分020 1.4本章小結022 第2章極大似然估計與線性模型023 2.1隨機模型和極大似然估計024 2.2隨機梯度下降法026 2.3線性回歸模型027 2.3.1線性回歸模型的極大似然估計027 2.3.2PyTorch中的線性回歸模型（fromscratch）028 2.3.3PyTorch中的線性回歸模型（nn、optim模組的應用）030 2.4logistic回歸033 2.4.1logistic回歸的極大似然估計033 2.4.2PyTorch中的logistic回歸034 2.4.3多元logistic回歸036 2.5本章小結039 第3章多層感知器041 3.1MLP的構建與學習042 3.2Dataset與DataLoader046 3.3高效學習的提示048 3.3.1基於Dropout的正則化048 3.3.2通過BatchNormalization進行學習的加速051 3.4網路模組化053 3.4.1自有網路層（自訂層）的創建053 3.5本章小結055 第4章影像處理和卷積神經網路057 4.1圖像的卷積計算058 4.2基於CNN的圖像分類059 4.2.1Fashion-MNIST059 4.2.2CNN的構建與學習訓練061 4.3遷移學習066 4.3.1數據準備068 4.3.2通過PyTorch進行遷移學習070 4.4通過CNN回歸模型提高圖像解析度076 4.4.1數據準備076 4.4.2模型的創建078 4.5基於DCGAN的圖像生成084 4.5.1什麼是GAN084 4.5.2數據準備084 4.5.3基於PyTorch的DCGAN086 4.6本章小結094 第5章自然語言處理與迴圈神經網路095 5.1RNN096 5.2文本資料的數值化097 5.3RNN與文本的分類099 5.3.1IMDb評論資料集099 5.3.2網路的定義和訓練103 5.3.3可變長度序列的處理108 5.4RNN的文本生成111 5.4.1數據準備111 5.4.2模型的定義和學習114 5.5基於編碼器-解碼器模型的機器翻譯119 5.5.1編碼器-解碼器模型119 5.5.2數據準備120 5.5.3基於PyTorch的編碼器-解碼器模型124 5.6本章小結131 第6章推薦系統和矩陣分解133 6.1矩陣分解134 6.1.1理論背景134 6.1.2MovieLens資料集135 6.1.3PyTorch中的矩陣分解136 6.2基於神經網路的矩陣分解141 6.2.1非線性矩陣分解141 6.2.2附加資訊的使用142 6.3本章小結149 第7章應用程式中的嵌入151 7.1模型的保存和讀取152 7.2使用Flask的WebAPI154 7.3利用Docker進行調試162 7.3.1nvidia-docker的安裝162 7.3.2PyTorchDocker映射的創建163 7.3.3WebAPI的部署165 7.4與使用ONNX的其他框架的協作168 7.4.1什麼是ONNX168 7.4.2PyTorch模型的匯出169 7.4.3Caffe2中ONNX模型的使用170 7.4.4將ONNX模型另存為Caffe2模型172 7.5本章小結174 附錄附錄A訓練過程的視覺化175 A.1通過TensorBoard進行的視覺化176 附錄BColaboratory下PyTorch開發環境的構建181 B.1Colaboratory下PyTorch開發環境的構建方法182 B.1.1什麼是Colaboratory182 B.1.2機器的配置182 B.1.3PyTorch環境的構建182 B.1.4PyTorch的安裝189 B.1.5資料的獲取190