《深入浅出PyTorch：从模型到源码》内容简介

本书从机器学习和深度学习的基础概念入手，由浅到深地详细介绍了PyTorch深度学习框架的知识，主要包含深度学习的基础知识，如神经网络的优化算法、神经网络的模块等；同时也包含了深度学习的进阶知识，如使用PyTorch构建复杂的深度学习模型，以及前沿的深度学习模型的介绍等。另外，为了加深读者对PyTorch深度学习框架的理解和掌握，本书还介绍了PyTorch的源代码结构，包括该框架的Python语言前端和C++语言后端的源代码结构。作为一本面向初中级读者的技术类图书，本书既可以作为深度学习框架PyTorch入门的参考书籍，也可以作为PyTorch深度学习框架的结构和源代码的阅读指南使用。
张校捷，英伟达（NVIDIA）资深深度学习架构工程师，负责基于CUDA的深度学习框架的优化。目前主要使用的技术栈是作为深度学习框架后端的C/C++/CUDA，以及深度学习框架前端的Python，对主流的深度学习框架如PyTorch和TensorFlow比较熟悉，并精通其在计算机视觉（CV）和自然语言处理（NLP）方面的具体应用。作者多次作为专题演讲嘉宾，受邀参加CSDN主办的技术大会。

作品目录

推荐序
前言
第1章：深度学习概念简介
1.1、深度学习的历史
1.2、机器学习基本概念
1.3、深度学习基本概念
1.4、输入数据的表示方式
1.5、线性变换和激活函数
1.6、链式求导法则和反向传播
1.7、损失函数和优化器
1.8、本章总结
第2章：PyTorch深度学习框架简介
2.1、深度学习框架简介
2.2、PyTorch框架历史和特性更迭
2.3、PyTorch的安装过程
2.4、PyTorch包的结构
2.5、PyTorch中张量的创建和维度的操作
2.6、PyTorch中张量的运算
2.7、PyTorch中的模块简介
2.8、PyTorch的计算图和自动求导机制
2.9、PyTorch的损失函数和优化器
2.10、PyTorch中数据的输入和预处理
2.11、PyTorch模型的保存和加载
2.12、PyTorch数据的可视化
2.13、PyTorch模型的并行化
2.14、本章总结
第3章：PyTorch计算机视觉模块
3.1、计算机视觉基本概念
3.2、线性层
3.3、卷积层
3.4、归一化层
3.5、池化层
3.6、丢弃层
3.7、模块的组合
3.8、特征提取
3.9、模型初始化
3.10、常见模型结构
3.11、本章总结
第4章：PyTorch机器视觉案例
4.1、常见计算机视觉任务和数据集
4.2、手写数字识别：LeNet
4.3、图像分类：ResNet和InceptionNet
4.4、目标检测：SSD
4.5、图像分割：FCN和U-Net
4.6、图像风格迁移
4.7、生成模型：VAE和GAN
4.8、本章总结
第5章：PyTorch自然语言处理模块
5.1、自然语言处理基本概念
5.2、词嵌入层
5.3、循环神经网络层：GRU和LSTM
5.4、注意力机制
5.5、自注意力机制
5.6、本章总结
第6章：PyTorch自然语言处理案例
6.1、word2vec算法训练词向量
6.2、基于循环神经网络的情感分析
6.3、基于循环神经网络的语言模型
6.4、Seq2Seq模型及其应用
6.5、BERT模型及其应用
6.6、本章总结
第7章：其他重要模型
7.1、基于宽深模型的推荐系统
7.2、DeepSpeech模型和CTC损失函数
7.3、使用Tacotron和WaveNet进行语音合成
7.4、基于DQN的强化学习算法
7.5、使用半精度浮点数训练模型
7.6、本章总结
第8章：PyTorch高级应用
8.1、PyTorch自定义激活函数和梯度
8.2、在PyTorch中编写扩展
8.3、正向传播和反向传播的钩子
8.4、PyTorch的静态计算图
8.5、静态计算图模型的保存和使用
8.6、本章总结
第9章：PyTorch源代码解析
9.1、ATen张量计算库简介
9.2、C++的Python接口
9.3、csrc模块简介
9.4、autograd和自动求导机制
9.5、C10张量计算库简介
9.6、本章总结
参考资料