更新时间：2020-04-24 15:08:49
封面
版权信息
作者简介
推荐序
前言
第1章 深度学习概念简介
1.1 深度学习的历史
1.2 机器学习基本概念
1.3 深度学习基本概念
1.4 输入数据的表示方式
1.5 线性变换和激活函数
1.6 链式求导法则和反向传播
1.7 损失函数和优化器
1.8 本章总结
第2章 PyTorch深度学习框架简介
2.1 深度学习框架简介
2.2 PyTorch框架历史和特性更迭
2.3 PyTorch的安装过程
2.4 PyTorch包的结构
2.5 PyTorch中张量的创建和维度的操作
2.6 PyTorch中张量的运算
2.7 PyTorch中的模块简介
2.8 PyTorch的计算图和自动求导机制
2.9 PyTorch的损失函数和优化器
2.10 PyTorch中数据的输入和预处理
2.11 PyTorch模型的保存和加载
2.12 PyTorch数据的可视化
2.13 PyTorch模型的并行化
2.14 本章总结
第3章 PyTorch计算机视觉模块
3.1 计算机视觉基本概念
3.2 线性层
3.3 卷积层
3.4 归一化层
3.5 池化层
3.6 丢弃层
3.7 模块的组合
3.8 特征提取
3.9 模型初始化
3.10 常见模型结构
3.11 本章总结
第4章 PyTorch机器视觉案例
4.1 常见计算机视觉任务和数据集
4.2 手写数字识别：LeNet
4.3 图像分类：ResNet和InceptionNet
4.4 目标检测：SSD
4.5 图像分割：FCN和U-Net
4.6 图像风格迁移
4.7 生成模型：VAE和GAN
4.8 本章总结
第5章 PyTorch自然语言处理模块
5.1 自然语言处理基本概念
5.2 词嵌入层
5.3 循环神经网络层：GRU和LSTM
5.4 注意力机制
5.5 自注意力机制
5.6 本章总结
第6章 PyTorch自然语言处理案例
6.1 word2vec算法训练词向量
6.2 基于循环神经网络的情感分析
6.3 基于循环神经网络的语言模型
6.4 Seq2Seq模型及其应用
6.5 BERT模型及其应用
6.6 本章总结
第7章 其他重要模型
7.1 基于宽深模型的推荐系统
7.2 DeepSpeech模型和CTC损失函数
7.3 使用Tacotron和WaveNet进行语音合成
7.4 基于DQN的强化学习算法
7.5 使用半精度浮点数训练模型
7.6 本章总结
第8章 PyTorch高级应用
8.1 PyTorch自定义激活函数和梯度
8.2 在PyTorch中编写扩展
8.3 正向传播和反向传播的钩子
8.4 PyTorch的静态计算图
8.5 静态计算图模型的保存和使用
8.6 本章总结
第9章 PyTorch源代码解析
9.1 ATen张量计算库简介
9.2 C++的Python接口
9.3 csrc模块简介
9.4 autograd和自动求导机制
9.5 C10张量计算库简介
9.6 本章总结
参考资料
赞誉
