深度學(xué)習(xí)框架PyTorch：入門與實踐

目錄
1 PyTorch簡介
1.1 PyTorch的誕生
1.2 常見的深度學(xué)習(xí)框架簡介
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 屬于動態(tài)圖的未來
1.4 為什么選擇PyTorch
1.5 星火燎原
1.6 fast.ai 放棄Keras TensorFlow選擇PyTorch
2 快速入門
2.1 安裝與配置
2.1.1 安裝PyTorch
2.1.2 學(xué)習(xí)環(huán)境配置
2.2 PyTorch入門*步
2.2.1 Tensor
2.2.2 Autograd：自動微分
2.2.3 神經(jīng)網(wǎng)絡(luò)
2.2.4 小試牛刀：CIFAR-10分類
3 Tensor和autograd
3.1 Tensor
3.1.1 基礎(chǔ)操作
3.1.2 Tensor和Numpy
3.1.3 內(nèi)部結(jié)構(gòu)
3.1.4 其他有關(guān)Tensor的話題
3.1.5 小試牛刀：線性回歸
3.2 autograd
3.2.1 Variable
3.2.2 計算圖
3.2.3 擴(kuò)展autograd
3.2.4 小試牛刀：用Variable實現(xiàn)線性回歸
4 神經(jīng)網(wǎng)絡(luò)工具箱nn
4.1 nn.Module
4.2 常用的神經(jīng)網(wǎng)絡(luò)層
4.2.1 圖像相關(guān)層
4.2.2 激活函數(shù)
4.2.3 循環(huán)神經(jīng)網(wǎng)絡(luò)層
4.2.4 損失函數(shù)
4.3 優(yōu)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的關(guān)系
4.8 小試牛刀：用50行代碼搭建ResNet
5 PyTorch中常用的工具
5.1 數(shù)據(jù)處理
5.2 計算機(jī)視覺工具包：torchvision
5.3 可視化工具
5.3.1 Tensorboard
5.3.2 visdom
5.4 使用GPU加速：cuda
5.5 持久化
6 PyTorch實戰(zhàn)指南
6.1 編程實戰(zhàn)：貓和狗二分類
6.1.1 比賽介紹
6.1.2 文件組織架構(gòu)
6.1.3 關(guān)于__init__.py
6.1.4 數(shù)據(jù)加載
6.1.5 模型定義
6.1.6 工具函數(shù)
6.1.7 配置文件
6.1.8 main.py
6.1.9 使用
6.1.10 爭議
6.2 PyTorch Debug 指南
6.2.1 ipdb 介紹
6.2.2 在PyTorch中Debug
7 AI插畫師：生成對抗網(wǎng)絡(luò)
7.1 GAN的原理簡介
7.2 用GAN生成動漫頭像
7.3 實驗結(jié)果分析
8 AI藝術(shù)家：神經(jīng)網(wǎng)絡(luò)風(fēng)格遷移
8.1 風(fēng)格遷移原理介紹
8.2 用PyTorch實現(xiàn)風(fēng)格遷移
8.3 實驗結(jié)果分析
9 AI詩人：用RNN寫詩
9.1 自然語言處理的基礎(chǔ)知識
9.1.1 詞向量
9.1.2 RNN
9.2 CharRNN
9.3 用PyTorch實現(xiàn)CharRNN
9.4 實驗結(jié)果分析
10 Image Caption：讓神經(jīng)網(wǎng)絡(luò)看圖講故事
10.1 圖像描述介紹
10.2 數(shù)據(jù)
10.2.1 數(shù)據(jù)介紹
10.2.2 圖像數(shù)據(jù)處理
10.2.3 數(shù)據(jù)加載
10.3 模型與訓(xùn)練
10.4 實驗結(jié)果分析
11 展望與未來
11.1 PyTorch的局限與發(fā)展
11.2 使用建議