1.PyTorch核心開發者教你使用 PyTorch 創建神經網絡和深度學習繫統的實用指南。2.詳細講解整個深度學習管道的關鍵實踐，包括 PyTorch張量API、用 Python 加載數據、監控訓練以及對結果進行可視化。3. PyTorch核心知識+真實、完整的案例項目，快速提升讀者動手能力： a.全面掌握PyTorch 相關的API 的使用方法以及繫統掌握深度學習的理論和方法； b.快速從零開始構建一個真實示例：腫瘤圖像分類器； c.輕松學會使用PyTorch 實現各種神經網等

●第1部分PyTorch核心
第1章深度學習和PyTorch庫簡介3
1．1深度學習革命4
1．2PyTorch深度學習5
1．3為什麼用PyTorch6
1．4PyTorch如何支持深度學習概述8
1．5硬件和軟件要求10
1．6練習題12
1．7本章小結13
第2章預訓練網絡14
2．1一個識別圖像主體的預訓練網絡15
2．1．1獲取一個預先訓練好的網絡用於圖像識別16
2．1．2AlexNet17
2．1．3ResNet19
2．1．4準備運行19
2．1．5運行模型21
2．2一個足以以假亂真的預訓練模型23
2．2．1GAN遊戲24
2．2．2CycleGAN25
2．2．3一個把馬變成斑馬的網絡26
2．3一個描述場景的預訓練網絡29
2．4TorchHub31
2．5總結32
2．6練習題32
2．7本章小結33
第3章從張量開始34
3．1實際數據轉為浮點數34
3．2張量：多維數組36
3．2．1從Python列表到PyTorch張量36
3．2．2構造第1個張量37
3．2．3張量的本質37
3．3索引張量40
3．4命名張量40
3．5素類型43
3．5．1使用dtype指定數字類型43
3．5．2適合任何場合的dtype44
3．5．3管理張量的dtype屬性44
3．6張量的API45
3．7張量的存儲視圖46
3．7．1索引存儲區47
3．7．2修改存儲值：就地操作48
3．數據：大小、偏移量和步長48
3．8．1另一個張量的存儲視圖49
3．8．2無復制轉置51
3．8．3高維轉置52
3．8．4連續張量53
3．9將張量存儲到GPU55
3．10NumPy互操作性57
3．11廣義張量也是張量57
3．12序列化張量58
3．13總結60
3．14練習題60
3．15本章小結60
第4章使用張量表征真實數據61
4．1處理圖像62
4．1．1添加顏色通道62
4．1．2加載圖像文件63
4．1．3改變布局63
4．1．4正規化數據64
4．2三維圖像：體數據65
4．3表示表格數據66
4．3．1使用真實的數據集67
4．3．2加載葡萄酒數據張量68
4．3．3表示分數70
4．3．4獨熱編碼70
4．3．5何時分類72
4．3．6尋找閾值73
4．4處理時間序列75
4．4．1增加時間維度76
4．4．2按時間段調整數據77
4．4．3準備訓練79
4．5表示文本81
4．5．1將文本轉化為數字81
4．5．2獨熱編碼字符82
4．5．3獨熱編碼整個詞83
4．5．4文本嵌入85
4．5．5作為藍圖的文本嵌入87
4．6總結88
4．7練習題88
4．8本章小結88
第5章學習的機制90
5．1永恆的建模經驗90
5．2學習就是參數估計92
5．2．1一個熱點問題93
5．2．2收集一些數據93
5．2．3可視化數據94
5．2．4選擇線性模型首試94
5．3減少損失是我們想要的95
5．4沿著梯度下降98
5．4．1減小損失99
5．4．2進行分析99
5．4．3迭代以適應模型101
5．4．4歸一化輸入104
5．4．5再次可視化數據106
5．5PyTorch自動求導：反向傳播的一切107
5．5．1自動計算梯度107
5．5．2優化器111
5．5．3訓練、驗證和過擬合115
5．5．4自動求導更新及關閉120
5．6總結121
5．7練習題122
5．8本章小結122
第6章使用神經網絡擬合數據123
6．1人工神經網絡124
6．1．1組成一個多層網絡125
6．1．2理解誤差函數125
6．1．3我們需要的隻是激活函數126
6．1．4更多激活函數128
6．1．5選擇很好激活函數128
6．1．6學習對於神經網絡意味著什麼129
6．2PyTorchnn模塊131
6．2．1使用__call__()而不是forward()132
6．2．2回到線性模型133
6．3最終完成一個神經網絡137
6．3．1替換線性模型137
6．3．2檢查參數138
6．3．3與線性模型對比141
6．4總結142
6．5練習題142
6．6本章小結142
第7章區分鳥和飛機：從圖像學習143
7．1微小圖像數據集143
7．1．1下載CIFAR-10144
7．1．2Dataset類145
7．1．3Dataset變換146
7．1．4數據歸一化149
7．2區分鳥和飛機150
7．2．1構建數據集151
7．2．2一個全連接模型152
7．2．3分類器的輸出153
7．2．4用概率表示輸出154
7．2．5分類的損失157
7．2．6訓練分類器159
7．2．7全連接網絡的局限165
7．3總結167
7．4練習題167
7．5本章小結168
第8章使用卷積進行泛化169
8．1卷積介紹169
8．2卷積實戰172
8．2．1填充邊界173
8．2．2用卷積檢測特征175
8．2．3使用深度和池化技術進一步研究177
8．2．4為我們的網絡整合一切179
8．3子類化nn．Module181
8．3．1將我們的網絡作為一個nn．Module182
8．3．2PyTorch如何跟蹤參數和子模塊183
8．3．3函數式API184
8．4訓練我們的convnet185
8．4．1測量精度187
8．4．2保存並加載我們的模型188
8．4．3在GPU上訓練188
8．5模型設計190
8．5．1增加內存容量：寬度191
8．5．2幫助我們的模型收斂和泛化：正則化192
8．5．3深入學習更復雜的結構：深度195
8．5．4本節設計的比較200
8．5．5已經過時了201
8．6總結201
8．7練習題201
8．8本章小結202
第2部分從現實世界的圖像中學習：肺癌的早期檢測
第9章使用PyTorch來檢測癌癥205
9．1用例簡介205
9．2為一個大型項目做準備206
9．3到底什麼是CT掃描207
9．4項目：肺癌的端到端檢測儀210
9．4．1為什麼我們不把數據扔給神經網絡直到它起作用呢213
9．4．2什麼是結節216
9．4．3我們的數據來源：LUNA大挑戰賽217
9．4．4下載LUNA數據集218
9．5總結219
9．6本章小結219
第10章將數據源組合成統一的數據集220
10．1原始CT數據文件222
10．2解析LUNA的標注數據222
10．2．1訓練集和驗證集224
10．2．2統一標注和候選數據225
10．3加載單個CT掃描227
10．4使用病人坐標繫定位結節230
10．4．1病人坐標繫230
10．4．2CT掃描形狀和體素大小232
10．4．3毫米和體素地址之間的轉換233
10．4．4從CT掃描中取出一個結節234
10．5一個簡單的數據集實現235
10．5．1使用getCtRawCandidate()函數緩存候選數組238
10．5．2在LunaDataset．__init__()中構造我們的數據集238
10．5．3分隔訓練集和驗證集239
10．5．4呈現數據240
10．6總結241
10．7練習題241
10．8本章小結242
第11章訓練分類模型以檢測可疑腫瘤243
11．1一個基本的模型和訓練循環243
11．2應用程序的主入口點246
11．3預訓練和初始化247
11．3．1初始化模型和優化器247
11．3．2數據加載器的維護和供給249
11．4我們的首次神經網絡設計251
11．4．1核心卷積251
11．4．2完整模型254
11．5訓練和驗證模型257
11．5．1computeBatchLoss()函數258
11．5．2類似的驗證循環260
11．6輸出性能指標261
11．7運行訓練腳本265
11．7．1訓練所需的數據266
11．7．2插曲：enumerateWithEstimate()函數266
11．8評估模型：得到99．7%的正確率是否意味著我們完成了任務268
11．9用TensorBoard繪制訓練指標269
11．9．1運行TensorBoard269
11．9．2增加TensorBoard對指標記錄函數的支持272
11．10為什麼模型不學習檢測結節274
11．11總結275
11．12練習題275
11．13本章小結275
第12章通過指標和數據增強來提升訓練277
12．1高級改進計劃278
12．2好狗與壞狗：假陽性與假陰性279
12．3用圖表表示陽性與陰性280
12．3．1召回率是Roxie的強項282
12．3．2精度是Preston的強項283
12．3．3在logMetrics()中實現精度和召回率284
12．3．4我們的終極性能指標：F1分數285
12．3．5我們的模型在新指標下表現如何289
12．4理想的數據集是什麼樣的290
12．4．1使數據看起來更理想化292
12．4．2使用平衡的LunaDataset與之前的數據集運行情況對比296
12．4．3認識過擬合298
12．5重新審視過擬合的問題300
12．6通過數據增強防止過擬合300
12．6．1具體的數據增強技術301
12．6．2看看數據增強帶來的改進306
12．7總結308
12．8練習題308
12．9本章小結309
第13章利用分割法尋找可疑結節310
13．1向我們的項目添加第2個模型310
13．2各種類型的分割312
13．3語義分割：逐像素分類313
13．4更新分割模型317
13．5更新數據集以進行分割319
13．5．1U-Net有非常具體的對輸入大小的要求320
13．5．2U-Net對三維和二維數據的權衡320
13．5．3構建真實、有效的數據集321
13．5．4實現Luna2dSegmentationDataset327
13．5．5構建訓練和驗證數據331
13．5．6實現TrainingLuna2dSegmentationDataset332
13．5．7在GPU上增強數據333
13．6更新用於分割的訓練腳本335
13．6．1初始化分割和增強模型336
13．6．2使用Adam優化器336
13．6．3骰子損失337
13．6．4將圖像導入TensorBoard340
13．6．5更新指標日志343
13．6．6保存模型344
13．7結果345
13．8總結348
13．9練習題348
13．10本章小結349
第14章端到端的結節分析及下一步的方向350
14．1接近終點線350
14．2驗證集的獨立性352
14．3連接CT分割和候選結節分類353
14．3．1分割354
14．3．2將體素分組為候選結節355
14．3．3我們發現結節了嗎？分類以減少假陽性357
14．4定量驗證360
14．5預測惡性腫瘤361
14．5．1獲取惡性腫瘤信息361
14．5．2曲線基線下的區域：按直徑分類362
14．5．3重用預先存在的權重：微調365
14．5．4TensorBoard中的輸出370
14．6在診斷時所見的內容374
14．7接下來呢？其他靈感和數據的來源376
14．7．1防止過擬合：更好的正則化377
14．7．2精細化訓練數據379
14．7．3競賽結果及研究論文380
14．8總結381
14．9練習題382
14．10本章小結383
第3部分部署
第15章部署到生產環境387
15．1PyTorch模型的服務388
15．1．1支持Flask服務的模型388
15．1．2我們想從部署中得到的東西390
15．1．3批處理請求391
15．2導出模型395
15．2．1PyTorch與ONNX的互操作性396
15．2．2PyTorch自己的導出：跟蹤397
15．2．3具有跟蹤模型的服務器398
15．3與PyTorchJIT編譯器交互398
15．3．1超越經典Python/PyTorch的期望是什麼399
15．3．2PyTorch作為接口和後端的雙重特性400
15．3．3TorchScript400
15．3．4為可追溯的差異編寫腳本404
15．4LibTorch：C++中的PyTorch405
15．4．1從C++中運行JITed模型405
15．4．2從C++API開始408
15．5部署到移動設備411
15．6新興技術：PyTorch
模型的企業服務416
15．7總結416
15．8練習題416
15．9本章小結416

雖然很多深度學習工具都使用Python，但PyTorch 庫是真正具備Python 風格的。對於任何了解NumPy 和scikit-learn 等工具的人來說，上手PyTorch 輕而易舉。PyTorch 在不犧牲高級特性的情況下簡化了深度學習，它非常適合構建快速模型，並且可以平穩地從個人應用擴展到企業級應用。由於像蘋果、Facebook和摩根大通這樣的公司都使用PyTorch，所以當你掌握了PyTorth，就會擁有更多的職業選擇。 本書是教你使用 PyTorch 創建神經網絡和深度學習繫統的實用指南。它幫助讀者快速從零開始構建一個真實示例：腫瘤圖像分類器。在此過程中，它涵蓋了整個深度學習管道的關鍵實踐，包括 PyTorch張量 API、用 Python 加載數據、監控訓練以及將結果進行可視化展示。 本書主要內容： （1）訓練深層神經網絡； （2）實現模塊和損失函數； （3）使用 PyTo等

(美)伊萊·史蒂文斯,(意)盧卡·安蒂加,(德)托馬斯·菲曼 著 牟大恩 譯