PYTORCH深度学习实战:构建、训练和部署神经网络模型(原书第2版)

目 录 译者序 关于作者 关于技术审查员 致谢 前言 第1 章 PyTorch 入门,张量与张量运算 1 什么是PyTorch 5 PyTorch 安装 5 秘籍1-1 张量的使用 7 小结 36 第2 章 使用PyTorch 中的概率分布 37 秘籍2-1 采样张量 38 秘籍2-2 可变张量 43 秘籍2-3 统计学基础 45 秘籍2-4 梯度计算 51 秘籍2-5 张量运算之一 54 秘籍 2-6 张量运算之二 55 秘籍2-7 统计分布 58 小结 62 第3 章 使用PyTorch 中的卷积神经网络和循环神经网络 63 秘籍 3-1 设置损失函数 63 秘籍3-2 估计损失函数的导数 67 秘籍3-3 模型微调 73 秘籍3-4 优化函数选择 75 秘籍3-5 进一步优化函数 80 秘籍3-6 实现卷积神经网络 84 秘籍3-7 模型重载 92 秘籍3-8 实现循环神经网络 96 秘籍3-9 实现用于回归问题的循环神经网络 102 秘籍3-10 使用PyTorch 内置的循环神经网络函数 104 秘籍3-11 使用自编码器(Autoencoder) 108 秘籍 3-12 使用自编码器实现结果微调 113 秘籍3-13 约束模型过拟合 116 秘籍3-14 可视化模型过拟合 119 秘籍3-15 初始化权重中的丢弃率 123 秘籍3-16 添加数学运算 125 秘籍3-17 循环神经网络中的嵌入层 128 小结 130 第4 章 PyTorch 中的神经网络简介 131 秘籍4-1 激活函数的使用 131 秘籍4-2 激活函数可视化 139 秘籍4-3 基本的神经网络模型 142 秘籍4-4 张量微分 146 小结 148 第5 章 PyTorch 中的监督学习 149 秘籍5-1 监督模型的数据准备 153 秘籍5-2 前向和反向传播神经网络 155 秘籍5-3 优化和梯度计算 158 秘籍5-4 查看预测结果 160 秘籍5-5 监督模型逻辑回归 164 小结 168 第6 章 使用PyTorch 对深度学习模型进行微调 169 秘籍6-1 构建顺序神经网络 170 秘籍6-2 确定批量的大小 172 秘籍6-3 确定学习率 175 秘籍6-4 执行并行训练 180 小结 182 第7 章 使用PyTorch 进行自然语言处理 183 秘籍7-1 词嵌入 185 秘籍7-2 使用PyTorch 创建CBOW 模型 190 秘籍7-3 LSTM 模型 194 小结 199 第8 章 分布式PyTorch 建模、模型优化和部署 200 秘籍8-1 分布式Torch 架构 200 秘籍8-2 Torch 分布式组件 202 秘籍8-3 设置分布式PyTorch 203 秘籍8-4 加载数据到分布式PyTorch 205 秘籍8-5 PyTorch 中的模型量化 208 秘籍8-6 量化观察器应用 211 秘籍8-7 使用MNIST 数据集应用量化技术 213 小结 225 第9 章 图像和音频的数据增强、特征工程和提取 226 秘籍9-1 音频处理中的频谱图 226 秘籍9-2 安装Torchaudio 229 秘籍9-3 将音频文件加载到PyTorch 中 231 秘籍9-4 安装用于音频的Librosa 库 232 秘籍9-5 频谱图变换 234 秘籍9-6 Griffin-Lim 变换 236 秘籍9-7 使用滤波器组进行梅尔尺度转换 237 秘籍9-8 Librosa 的梅尔尺度转换与Torchaudio 版本对比 240 秘籍9-9 使用Librosa 和Torchaudio 进行MFCC 和LFCC 243 秘籍9-10 图像数据增强 247 小结 250 第10 章 PyTorch 模型可解释性和Skorch 251 秘籍10-1 安装Captum 库 252 秘籍10-2 主要归因:深度学习模型的特征重要性 253 秘籍10-3 深度学习模型中神经元的重要性 259 秘籍10-4 安装Skorch 库 260 秘籍10-5 Skorch 组件在神经网络分类器中的应用 262 秘籍10-6 Skorch 神经网络回归器 265 秘籍10-7 Skorch 模型的保存和加载 269 秘籍10-8 使用Skorch 创建神经网络模型流水线 270 秘籍10-9 使用Skorch 进行神经网络模型的轮次评分 272 秘籍10-10 使用Skorch 进行超参数的网格搜索 274 小结 276