作者简介
王宇龙博士,于清华大学计算机系,曾在CVPR/AAAI/TIP等多家国际会议期刊发表,研究方向为深度学习可解释性、模型剪枝、对抗安全等。知乎“机器学习”话题回答者(@Yulong)。现任蚂蚁金服算法专家。
目录
第1章 PyTorch简介
1.1 深度学习简介
1.2 PyTorch的由来
1.2.1 深度学习框架回顾
1.2.2 PyTorch前身:Torch
1.2.3 Torch7的重生
1.3 PyTorch与TensorFlow对比
1.3.1 TensorFlow简介
1.3.2 动静之争
1.3.3 二者借鉴融合
1.3.4 PyTorch的优势
1.4 PyTorch发展现状
1.4.1 主要版本特点回顾
1.4.2 准备工作
第2章 PyTorch基础计算
2.1 PyTorch核心基础概念:张量Tensor
2.1.1 Tensor基本介绍
2.1.2 Tensor数学运算操作
2.1.3 Tensor索引分片合并变换操作
2.1.4 Tensor类成员方法
2.1.5 在GPU上计算
2.2 PyTorch可微编程核心:自动微分Autograd
2.2.1 PyTorch自动微分简介
2.2.2 可微分张量
2.2.3 利用自动微分求梯度
2.2.4 Function:自动微分实现基础
2.2.5 注意事项
2.3 PyTorch应用实战一:实现卷积操作
2.3.1 卷积操作
2.3.2 利用张量操作实现卷积
2.4 PyTorch应用实战二:实现卷积神经网络进行图像分类
第3章 PyTorch构建神经网络
3.1 PyTorch神经网络计算核心:torch.nn
3.1.1 nn.Module概述
3.1.2 结构化构建神经网络
3.1.3 经典神经网络层介绍
3.1.4 函数式操作nn.functional
3.2 PyTorch优化器
3.2.1 torch.optim概述
3.2.2 经典优化器介绍
3.2.3 学习率调整
3.3 PyTorch应用实战一:实现二值化神经网络
3.3.1 二值化网络BinaryNet概述
3.3.2 具体实现
3.4 PyTorch应用实战二:利用LSTM实现文本情感分类
3.4.1 文本情感分类
3.4.2 具体实现
第4章 基于PyTorch构建复杂应用
4.1 PyTorch数据加载
4.1.1 数据预处理:torchvision.transforms
内容摘要
书中以案例形式详细介绍了PyTorch的各种实战应用。具体内容包括PyTorch与TensorFlow的对比和PyTorch的发展现状,张量Tensor和自动微分Autograd及其具体应用,PyTorch构建神经网络,基于PyTorch构建复杂应用,PyTorch高级技巧与实战应用,网络剪枝应用。
以下为对购买帮助不大的评价