●第1章 深度學習和PyTorch
1.1 機器學習
1.2 深度學習
1.3 流行的深度學習框架
1.4 Python中常用的庫及模塊
1.5 本章小結
第2章 PyTorch快速入門
2.1 PyTorch安裝
2.2 張量
2.2.1 張量的數據類型
2.2.2 張量的生成
2.2.3 張量操作
2.2.4 張量計算
2.3 PyTorch中的自動微分
2.4 torch.nn模塊
2.4.1 卷積層
2.4.2 池化層
2.4.3 激活函數
2.4.4 循環層
2.4.5 全連接層
2.5 PyTorch中數據操作和預處理
2.5.1 高維數組
2.5.2 圖像數據
2.5.3 文本數據
2.6 本章小結
第3章 PyTorch深度神經網絡及訓練
3.1 隨機梯度下降算法
3.2 PyTorch中的優化器
3.3 PyTorch中的損失函數
3.4 防止過擬合
3.4.1 過擬合的概念
3.4.2 防止過擬合的方法
3.5 網絡參數初始化
3.5.1 常用的參數初始化方法
3.5.2 參數初始化方法應用實例
3.6 PyTorch中定義網絡的方式
3.6.1 數據準備
3.6.2 網絡定義與訓練方式1
3.6.3 網絡定義與訓練方式2
3.7 PyTorch模型保存和加載方法
3.8 本章小結
第4章 基於PyTorch的相關可視化工具
4.1 網絡結構的可視化
4.1.1 準備網絡和數據
4.1.2 HiddenLayer庫可視化網絡
4.1.3 PyTorchViz庫可視化網絡
4.2 訓練過程的可視化
4.2.1 tensorboardX中的常用方法
4.2.2 利用tensorboard行可視化
4.2.3 查看tensorbomdx可視化結果
4.2.4 HiddenLayer庫可視化訓練過程
4.3 使用Visdom進行可視化
4.3.1 Visdom庫中常用的可視化方法
4.3.2 使用Visdom進行數據可視化
4.3.3 查看Visdom數據可視化圖像
4.4 本章小結
第5章 全連接神經網絡
5.1 全連接神經網絡簡介
5.2 MLP分類模型
5.2.1 數據準備和探索
5.2.2 搭建網絡並可視化
5.2.3 使用未預處理的數據訓練模型
5.2.4 使用預處理後的數據訓練模型
5.2.5 獲取中間層的輸出並可視化
5.3 MLP回歸模型
5.3.1 房價數據準備
5.3.2 搭建網絡預測房價
5.4 本章小結
第6章 卷積神經網絡
6.1 卷積神經網絡
6.2 經典的卷積神經網絡
6.2.1 LeNet-5網絡
6.2.2 AlexNet網絡
6.2.3 VGG網絡結構
6.2.4 GoogLeNet
6.2.5 TextCNN
6.3 卷積神經網絡識別Fashion-MNIST
6.3.1 圖像數據準備
6.3.2 卷積神經網絡的搭建
6.3.3 卷積神經網絡訓練與預測
6.3.4 空洞卷積神經網絡的搭建
6.3.5 空洞卷積神經網絡訓練與預測
6.4 對預訓練好的卷積網絡微調
6.4.1 微調預訓練的VGG16網絡
6.4.2 準備新網絡需要的數據
6.4.3 微調網絡的訓練和預測
6.5 卷積神經網絡進行情感分類
6.5.1 文本數據預處理與探索
6.5.2 TextCNN網絡的建立和預測
6.6 使用預訓練好的卷積網絡
6.6.1 獲取中間特征進行可視化
6.6.2 預訓練的VGG16預測圖像
6.6.3 可視化圖像的類激活熱力圖
6.7 本章小結
第7章 循環神經網絡
7.1 常見的循環神經網絡結構
7.1.1 RNN
7.1.2 LSTM
7.1.3 GRU
7.2 RNN手寫字體分類
7.2.1 數據準備
7.2.2 搭建RNN分類器
7.2.3 RNN分類器的訓練與預測
7.3 LSTM進行中文新聞分類
7.3.1 中文數據讀取與預處理
7.3.2 網絡訓練數據的導入與探索
7.3.3 搭建LSTM網絡
7.3.4 LSTM網絡的訓練
7.3.5 LSTM網絡預測
7.3.6 可視化詞向量的分布
7.4 GRU網絡進行情感分類
7.4.1 文本數據準備
7.4.2 搭建GRU網絡
7.4.3 GRU網絡的訓練與預測
7.5 本章小結
第8章 自編碼模型
8.1 自編碼模型簡介
8.2 基於線性層的自編碼模型
8.2.1 自編碼網絡數據準備
8.2.2 自編碼網絡的構建
8.2.3 自編碼網絡的訓練
8.2.4 自編碼網絡的數據重構
8.2.5 網絡的編碼特征可視化
8.2.6 SVM作用於編碼特征
8.3 卷積自編碼圖像去噪
8.3.1 去噪自編碼網絡的數據準備
8.3.2 基於轉置卷積解碼的網絡搭建
8.3.3 基於轉置卷積解碼的網絡訓練與預測
8.3.4 基於上采樣和卷積解碼的網絡搭建
8.3.5 基於上采樣和卷積解碼的網絡訓練與預測
8.4 本章小結
第9章 圖像風格遷移
9.1 常用的圖像風格遷移方式
9.1.1 固定風格固定內容的普通風格遷移
9.1.2 固定風格任意內容的快速風格遷移
9.2 固定風格固定內容的普通風格遷移實戰
9.2.1 準備VGG19網絡
9.2.2 圖像數據準備
9.2.3 圖像的輸出特征和Gram矩陣的計算
9.2.4 進行圖像風格遷移
……

《PyTorch深度學習入門與實戰（案例視頻精講）》是基於PyTorch的深度學習入門和實戰，結合實際的深度學習案例，由淺入深地介紹PyTorch在計算機視覺和自然語言處理的相關應用。本書在內容上循序漸進，先介紹了PyTorch的一繫列使用方式，然後結合圖像分類、去噪和文本分類，介紹如何利用PyTorch對深度模型進行可視化、建立卷積神經網絡、循環神經網絡、自編碼網絡等。根據真實的圖像數據，介紹如何對圖像風格遷移模型進行訓練，利用計算機視覺中的目標檢測和語義分隔問題的例子，介紹PyTorch中已經預訓練好模型的使用，針對圖神經網絡學習，介紹如何利用圖卷積網絡進行半監督深度學習。《PyTorch深度學習入門與實戰（案例視頻精講）》還提供了原始程序和數據集、程序的講解視頻等配套資源供讀者下載使用。書中的程序根據每個小節進行劃分，步驟講解詳細透徹，並以Notebook的形式方便讀者運等