深度學習框架PyTorch：入門與實踐

目錄
1 PyTorch簡介
1.1 PyTorch的誕生
1.2 常見的深度學習框架簡介
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 學習環(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 神經網絡
2.2.4 小試牛刀：CIFAR-10分類
3 Tensor和autograd
3.1 Tensor
3.1.1 基礎操作
3.1.2 Tensor和Numpy
3.1.3 內部結構
3.1.4 其他有關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 擴展autograd
3.2.4 小試牛刀：用Variable實現(xiàn)線性回歸
4 神經網絡工具箱nn
4.1 nn.Module
4.2 常用的神經網絡層
4.2.1 圖像相關層
4.2.2 激活函數
4.2.3 循環(huán)神經網絡層
4.2.4 損失函數
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 數據處理
5.2 計算機視覺工具包：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
6.1.3 關于__init__.py
6.1.4 數據加載
6.1.5 模型定義
6.1.6 工具函數
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：生成對抗網絡
7.1 GAN的原理簡介
7.2 用GAN生成動漫頭像
7.3 實驗結果分析
8 AI藝術家：神經網絡風格遷移
8.1 風格遷移原理介紹
8.2 用PyTorch實現(xiàn)風格遷移
8.3 實驗結果分析
9 AI詩人：用RNN寫詩
9.1 自然語言處理的基礎知識
9.1.1 詞向量
9.1.2 RNN
9.2 CharRNN
9.3 用PyTorch實現(xiàn)CharRNN
9.4 實驗結果分析
10 Image Caption：讓神經網絡看圖講故事
10.1 圖像描述介紹
10.2 數據
10.2.1 數據介紹
10.2.2 圖像數據處理
10.2.3 數據加載
10.3 模型與訓練
10.4 實驗結果分析
11 展望與未來
11.1 PyTorch的局限與發(fā)展
11.2 使用建議