课程目录

内容提要

《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。

目录

1  PyTorch简介

1.1 PyTorch的诞生

1.2 常见的深度学习框架简介

1.2.1 Theano

1.2.2 TensorFlow

1.2.3 Keras

1.2.4 Caffe/Caffe2

1.2.5 MXNet

1.2.6 CNTK

1.2.7 其他框架

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

2.1.1 安装PyTorch

2.1.2 学习环境配置

2.2 PyTorch入门第一步

2.2.1 Tensor

2.2.2 Autograd:自动微分

2.2.3 神经网络

2.2.4 小试牛刀:CIFAR-10分类

3  Tensor和autograd

3.1 Tensor

3.1.1 基础操作

3.1.2 Tensor和Numpy

3.1.3 内部结构

3.1.4 其他有关Tensor的话题

3.1.5 小试牛刀:线性回归

3.2 autograd

3.2.1 Variable

3.2.2 计算图

3.2.3 扩展autograd

3.2.4 小试牛刀:用Variable实现线性回归

4  神经网络工具箱nn

4.1 nn.Module

4.2 常用的神经网络层

4.2.1 图像相关层

4.2.2 激活函数

4.2.3 循环神经网络层

4.2.4 损失函数

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

5.3.1 Tensorboard

5.3.2 visdom

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

6.1.1 比赛介绍

6.1.2 文件组织架构

6.1.3 关于__init__.py

6.1.4 数据加载

6.1.5 模型定义

6.1.6 工具函数

6.1.7 配置文件

6.1.8 main.py

6.1.9 使用

6.1.10 争议

6.2 PyTorch Debug 指南

6.2.1 ipdb 介绍

6.2.2 在PyTorch中Debug

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

9.1.1 词向量

9.1.2 RNN

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

10.2.1 数据介绍

10.2.2 图像数据处理

10.2.3 数据加载

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


课程联系1:
大学资源网客服

课程联系2:
大学资源网客服

课程联系3:
大学资源网客服

服务时间:
8:00-21:00(工作日)