PyTorch速查手册

前言
第1章 PyTorch简介
1.1 Py Torch是什么？
1.2 为什么使用PyTorch
1.3 新手指南
1.3.1 在 Google Colaboratory 中运行
1.3.2 在本地计算机上运行
1.3.3 在云平台上运行
1.3.4 验证你的PyTorch 环境
1.4 一个有趣的例子
第2章 张量
2.1 张量是什么？
2.1.1 简单CPU示例
2.1.2 简单GPU示例
2.1.3 在CPU和GPU之间移动张量
2.2 创建张量
2.2.1 张量属性
2.2.2 数据类型
2.2.3 由随机样本创建张量
2.2.4 创建类似其他张量的张量
2.3 张量操作
2.3.1 张量索引、切片、合并和拆分
2.3.2 张量数学运算
2.3.3 自动微分(Autograd）
第3章 使用 PyTorch的深度学习开发
3.1 完整过程
3.2 数据准备
3.2.1 数据加载
3.2.2 数据变换
3.2.3 数据批处理
3.2.4 一般数据准备(torch.utils.data)
3.3 模型开发
3.3.1 模型设计
3.3.2 训练
3.3.3 验证
3.3.4 测试
3.4 模型部署
3.4.1 保存模型
3.4.2 部署到Py Torch Hub
3.4.3 部署到生产环境
第4章 神经网络开发参考设计
4.1 使用迁移学习完成图像分类
4.1.1 数据处理
4.1.2 模型设计
4.1.3 训练和验证
4.1.4 测试和部署
4.2 用Torchtext完成情感分析
4.2.1 数据处理
4.2.2 模型设计
4.2.3 训练和验证
4.2.4 测试和部署
4.3 生成式学习一用DCGAN生成Fashion-MNIST图像
4.3.1 数据处理
4.3.2 模型设计
4.3.3 训练
4.3.4 测试和部署
第5章 定制PyTorch
5.1 定制层和激活函数
5.1.1 定制层示例（Complex Linear）
5.1.2 定制激活示例（Complex ReLU）
5.2 定制模型架构
5.3 定制损失函数
5.4 定制优化器算法
5.5 定制训练、验证和测试循环
第6章 PyTorch 加速和优化
6.1 TPU上使用PyTorch
6.2 （单机）多个GPU上使用PyTorch
6.2.1 数据并行处理
6.2.2 模型并行处理
6.2.3 结合数据并行处理和模型并行处理
6.3 （多机）分布式训练
6.4 模型优化
6.4.1 超参数调优
6.4.2 量化
6.4.3 剪枝
第7章 PyTorch部署到生产环境
7.1 PyTorch部署工具和库
7.1.1 通用示例模型
7.1.2 Python API
7.1.3 TorchScript
7.1.4 TorchServe
7.1.5 ONNX
7.1.6 Mobile 库
7.2 部署到Flask应用
7.3 Colab Flask 应用
7.4 用TorchServe部署到云
7.5 Docker快速入门
7.6 部署到移动和边缘设备
7.6.1 iOS
7.6.2 Android
7.6.3 其他边缘设备
第8章 PyTorch 生态系统和其他资源
8.1 Py Torch生态系统
8.2 面向图像和视频的 Torchvision
8.2.1 数据集和I/O
8.2.2 模型
8.2.3 变换、操作和实用工具
8.3 用于NLP的Torchtext
8.3.1 创建一个数据集对象
8.3.2 预处理数据
8.3.3 创建一个Dataloader 批处理
8.3.4 数据(torchtext.data)
8.3.5 数据集(torchtext.datasets)
8.3.6 词汇表(torchtext.vocab)
8.4 用于可视化的TensorBoard
8.4.1 SCALARS显示学习曲线
8.4.2 GRAPHS 显示模型架构
8.4.3 IMAGES、TEXT和PROJECTOR显示数据
8.4.4 DISTRIBUTIONS 和HISTOGRAMS 显示权重分布
8.4.5 HPARAMS 显示超参数
8.4.6 TensorBoard API
8.5 Papers with Code
8.6 其他PyTorch 资源
8.6.1 教程
8.6.2 图书
8.6.3 在线课程和现场培训