深度学习框架PyTorch：入门与实践

内容简介

《深度学习框架PyTorch：入门与实践》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。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。《深度学习框架PyTorch：入门与实践》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。

《深度学习框架PyTorch：入门与实践》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。

作者简介

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。

目录

1. PyTorch简介
   1. PyTorch的诞生
   2. 常见的深度学习框架简介
      1. Theano
      2. TensorFlow
      3. Keras
      4. Caffe/Caffe2
      5. MXNet
      6. CNTK
      7. 其他框架
   3. 属于动态图的未来
   4. 为什么选择PyTorch
   5. 星火燎原
   6. fast.ai 放弃Keras+TensorFlow选择PyTorch
2. 快速入门
   1. 安装与配置
      1. 安装PyTorch
      2. 学习环境配置
   2. PyTorch入门第一步
      1. Tensor
      2. Autograd：自动微分
      3. 神经网络
      4. 小试牛刀：CIFAR-10分类
3. Tensor和autograd
   1. Tensor
      1. 基础操作
      2. Tensor和Numpy
      3. 内部结构
      4. 其他有关Tensor的话题
      5. 小试牛刀：线性回归
   2. autograd
      1. Variable
      2. 计算图
      3. 扩展autograd
      4. 小试牛刀：用Variable实现线性回归
4. 神经网络工具箱nn
   1. nn.Module
   2. 常用的神经网络层
      1. 图像相关层
      2. 激活函数
      3. 循环神经网络层
      4. 损失函数
   3. 优化器
   4. nn.functional
   5. 初始化策略
   6. nn.Module深入分析
   7. nn和autograd的关系
   8. 小试牛刀：用50行代码搭建ResNet
5. PyTorch中常用的工具
   1. 数据处理
   2. 计算机视觉工具包：torchvision
   3. 可视化工具
      1. Tensorboard
      2. visdom
   4. 使用GPU加速：cuda
   5. 持久化
6. PyTorch实战指南
   1. 编程实战：猫和狗二分类
      1. 比赛介绍
      2. 文件组织架构
      3. 关于__init__.py
      4. 数据加载
      5. 模型定义
      6. 工具函数
      7. 配置文件
      8. main.py
      9. 使用
      10. 争议
   2. PyTorch Debug 指南
      1. ipdb 介绍
      2. 在PyTorch中Debug
7. AI插画师：生成对抗网络
   1. GAN的原理简介
   2. 用GAN生成动漫头像
   3. 实验结果分析
8. AI艺术家：神经网络风格迁移
   1. 风格迁移原理介绍
   2. 用PyTorch实现风格迁移
   3. 实验结果分析
9. AI诗人：用RNN写诗
   1. 自然语言处理的基础知识
      1. 词向量
      2. RNN
   2. CharRNN
   3. 用PyTorch实现CharRNN
   4. 实验结果分析
10. Image Caption：让神经网络看图讲故事
    1. 图像描述介绍
    2. 数据
       1. 数据介绍
       2. 图像数据处理
       3. 数据加载
    3. 模型与训练
    4. 实验结果分析
11. 展望与未来
    1. PyTorch的局限与发展
    2. 使用建议