PyTorch深度学习指南

“PyTorch深度学习指南”丛书循序渐进地详细讲解了与深度学习相关的重要概念、算法和模型，并着重展示了PyTorch是如何实现这些算法和模型的。其共分三卷：编程基础、计算机视觉、序列与自然语言处理。 本书为该套丛书的第二卷：计算机视觉。本书主要介绍了深度模型、激活函数和特征空间；Torchvision、数据集、模型和转换；卷积神经网络、丢弃和学习率调度器；迁移学习和微调流行的模型(ResNet、Inception等)等内容。 本书适用于对深度学习感兴趣，并希望使用PyTorch实现深度学习的Python程序员阅读学习。

前　言 致　谢 关于作者 译者序 常见问题 为什么选择PyTorch？ 为什么选择这套书？ 谁应该读这套书？ 我需要知道什么？ 如何阅读这套书？ 下一步是什么？ 设置指南 官方资料库 环境 谷歌Colab Binder 本地安装 继续 第4章　图像分类 剧透 Jupyter Notebook 导入 图像分类 数据生成 NCHW与NHWC Torchvision 数据集 模型 转换 图像上的转换 张量上的转换 组合转换 数据准备 数据集转换 SubsetRandomSampler 数据增强转换 WeightedRandomSampler 种子和更多(种子) 小结 作为特征的像素 浅层模型 符号 模型配置 模型训练 深层模型 模型配置 模型训练 给我看看数学 给我看看代码 作为像素的权重 激活函数 Sigmoid 双曲正切(TanH) 整流线性单元(ReLU) 泄漏ReLU 参数ReLU(PReLU) 深度模型 模型配置 模型训练 再给我看看数学 归纳总结 回顾 奖励章　特征空间 二维特征空间 转换 二维模型 决策边界，激活方式 更多的函数，更多的边界 更多的层，更多的边界 更多的维度，更多的边界 回顾 第5章　卷积 剧透 Jupyter Notebook 导入 卷积 滤波器/内核 卷积运算 四处移动 形状 在PyTorch中进行卷积 步幅 填充 真正的滤波器 池化 展平 维度 典型架构 LeNet-5 多类分类问题 数据生成 数据准备 损失 分类损失总结 模型配置 模型训练 可视化滤波器和其他 可视化滤波器 钩子 可视化特征图 可视化分类器层 准确率 加载器应用 归纳总结 回顾 第6章　石头、剪刀、布 剧透 Jupyter Notebook 导入 关于石头、剪刀、布 石头、剪刀、布数据集 数据准备 ImageFolder 标准化 真实数据集 三通道卷积 更高级的模型 丢弃 二维丢弃 模型配置 优化器 学习率 模型训练 准确率 正则化效果 可视化滤波器 学习率 寻找LR 自适应学习率 随机梯度下降(SGD) 学习率调度器 验证损失调度器 自适应与循环 归纳总结 回顾 第7章　迁移学习 剧透 Jupyter Notebook 导入 迁移学习 ImageNet ImageNet大规模视觉识别挑战赛(ILSVRC) ILSVRC-2012 ILSVRC-2014 ILSVRC-2015 对比各架构 实践中的迁移学习 预训练模型 模型配置 数据准备 模型训练 生成特征数据集 顶层模型 辅助分类器(侧头) 1×1卷积 Inception模块 批量归一化 游程（running）统计 评估阶段 动量 BatchNorm2d 其他归一化 小结 残差连接 学习恒等 捷径的力量 残差块 归纳总结 微调 特征提取 回顾 额外章　梯度消失和爆炸 剧透 Jupyter Notebook 导入 梯度消失和爆炸 梯度消失 球数据集和块模型 权重、激活和梯度 初始化方案 批量归一化 梯度爆炸 数据生成和准备 模型配置和训练 梯度裁剪 模型配置和训练 用钩子裁剪 回顾

丹尼尔·沃格特·戈多伊是一名数据科学家、开发人员、作家和教师。自2016年以来，他一直在柏林历史最悠久的训练营Data Science Retreat讲授机器学习和分布式计算技术，帮助数百名学生推进职业发展。 丹尼尔还是两个Python软件包——HandySpark和D eepReplay的主要贡献者。 他拥有在多个行业20多年的工作经验，这些行业包括银行、政府、金融科技、零售和移动出行等。

暂无其它内容！

暂时还没有人为这本书评论！