高等院校教师

译者序
前　言
第1章　PyTorch 简介 // 1
1.1　什么是PyTorch // 2
1.2　安装PyTorch // 3
1.2.1　Digital Ocean // 4
1.2.2　Amazon Web Services（AWS） // 5
1.3　PyTorch的基本操作 // 6
1.3.1　默认值初始化 // 6
1.3.2　张量和NumPy数组之间的转换 // 7
1.3.3　切片、索引和重塑 // 9
1.3.4　原地操作 // 10
1.4　加载数据 // 11
1.4.1　PyTorch数据集加载器 // 12
1.4.2　使用ImageFolder类构建数据结构 // 17
1.4.3　连接数据集 // 17
1.5　小结 // 18
第2章　深度学习基础知识 // 19
2.1　机器学习的方法 // 19
2.2　学习任务 // 20
2.2.1　无监督学习 // 20
2.2.2　监督学习 // 21
2.3　特征 // 23
处理文本和类别 // 23
2.4　模型 // 24
2.4.1　线性代数回顾 // 24
2.4.2　线性模型 // 27
2.5　人工神经网络 // 33
感知机 // 34
2.6　小结 // 36
第3章　计算图和线性模型 // 38
3.1　自动求导 // 38
计算图 // 40
3.2　线性模型 // 40
3.2.1　PyTorch中的线性回归 // 40
3.2.2　保存模型 // 43
3.2.3　逻辑回归 // 44
3.3　多分类实例 // 46
3.4　小结 // 50
第4章　卷积网络 // 51
4.1　超参数和多层级网络 // 51
4.2　基准模型 // 52
4.3　卷积网络 // 56
4.3.1　单个卷积层 // 56
4.3.2　多个卷积层 // 58
4.4　小结 // 63
第5章　其他神经网络架构 // 64
5.1　循环网络 // 64
5.1.1　循环人工神经元 // 64
5.1.2　循环网络的实现 // 65
5.2　长短期记忆网络 // 70
5.2.1　长短期记忆网络的实现 // 72
5.2.2　构建门循环单元的语言模型 // 73
5.3　小结 // 76
第6章　充分利用PyTorch // 77
6.1　多处理器和分布式环境 // 77
6.1.1　GPU的使用 // 77
6.1.2　分布式环境 // 79
6.2　优化技术 // 80
6.2.1　优化算法 // 80
6.2.2　学习率调度器 // 82
6.2.3　参数组 // 82
6.3　预训练模型 // 84
预训练模型的实现 // 85
6.4　小结 // 90