PyTorch是一个崭新的、轻量级的、以Python为优先开发语言的深度学习框架。PyTorch由Facebook开发,以其灵活性和**性迅速成为深度学习专家的*。 PyTorch可以帮助你快速完成深度学习模型的开发。 本书介绍了如何基于PyTorch框架实现主要的深度学习模型。本书从简单的神经网络开始,内容涵盖了CNN、RNN、GAN和强化学习。你也可以基于PyTorch框架构建深度学习工作流,把基于Python构建的模型迁移到更**的TorchScript,并使用复杂的工具将其部署到生产环境中。 如果你想成为深度学习专家,那么本书很适合你。 通过本书,你将学习使用PyTorch来构建: 简单神经网络——基于PyTorch高阶函数、优化器及更多方法来构建神经网络。 卷积神经网络——构建**计算机视觉系统。 循环神经网络——处理自然语言和音频等序列数据。 生成对抗网络——创建包含简单GAN和CycleGAN模型的新内容。 强化学习——开发能解决诸如自动驾驶和游戏博弈等复杂问题的系统。 深度学习工作流——基于PyTorch及其实用程序包,通过深度学习工作流将想法有效地用于生产。 生产就绪

译者序 前言 作者简介 审校者简介 第1章 深度学习回顾和PyTorch简介1 1.1 PyTorch的历史2 1.2 PyTorch是什么3 1.2.1 安装PyTorch4 1.2.2 PyTorch流行的原因5 1.3 使用计算图7 1.3.1 使��静态图8 1.3.2 使用动态图11 1.4 探索深度学习13 1.5 开始编写代码22 1.5.1 学习基本操作22 1.5.2 PyTorch的内部逻辑28 1.6 总结31 参考资料32 第2章 一个简单的神经网络33 2.1 问题概述33 2.2 数据集34 2.3 新手模型38 2.4 PyTorch方式49 2.4.1 高阶API50 2.4.2 functional模块55 2.4.3 损失函数57 2.4.4 优化器57 2.5 总结59 参考资料59 第3章 深度学习工作流60 3.1 构思和规划61 3.2 设计和实验62 3.2.1 数据集和DataLoader类62 3.2.2 实用程序包65 3.3 模型实现75 3.4 训练和验证79 3.5 总结86 参考资料 86 第4章 计算机视觉87 4.1 CNN简介87 4.2 将PyTorch应用于计算机视觉90 4.2.1 简单CNN90 4.2.2 语义分割99 4.3 总结112 参考资料112 第5章 序列数据处理114 5.1 循环神经网络简介114 5.2 问题概述116 5.3 实现方法116 5.3.1 简单RNN117 5.3.2 **RNN130 5.3.3 递归神经网络137 5.4 总结141 参考资料142 第6章 生成网络143 6.1 方法定义144 6.2 自回归模型145 6.2.1 PixelCNN147 6.2.2 WaveNet153 6.3 GAN161 6.3.1 简单GAN161 6.3.2 CycleGAN168 6.4 总结173 参考资料173 第7章 强化学习175 7.1 问题定义177 7.2 回合制任务与连续任务178 7.3 累积折扣奖励179 7.4 马尔可夫决策过程180 7.5 解决方法182 7.5.1 策略和价值函数182 7.5.2 贝尔曼方程183 7.5.3 深度Q学习184 7.5.4 经验回放186 7.5.5 Gym186 7.6 总结194 参考资料194 第8章 将PyTorch应用到生产195 8.1 使用Flask提供服务196 8.2 ONNX202 8.3 使用TorchScript提**率215 8.4 探索RedisAI218 8.5 总结222 参考资料223