本书帮助读者快速深入深度学习。在过去的几年里，我们看到深度学习成了新的动力。它从学术界一路进军到工业领域，帮助解决了数千个难题。没有它，人类永远无法想象如何解决这些难题。深度学习的应用主要是由一组框架推动的，这些框架可靠地将复杂的算法转化为高效的内置方法。本书展示了PyTorch在构建深度学习模型原型、深度学习工作流以及将原型模型用于生产方面的优势。总体而言，本书专注于PyTorch的实际实现，而不是解释它背后的数学原理。但本书也会给出一些链接，这些链接会补充一些相关概念。

版权信息
译者序
前言
作者简介
审校者简介
第1章 深度学习回顾和PyTorch简介
1.1 PyTorch的历史
1.2 PyTorch是什么
1.2.1 安装PyTorch
1.2.2 PyTorch流行的原因
1.3 使用计算图
1.3.1 使用静态图
1.3.2 使用动态图
1.4 探索深度学习
1.5 开始编写代码
1.5.1 学习基本操作
1.5.2 PyTorch的内部逻辑
1.6 总结
参考资料
第2章 一个简单的神经网络
2.1 问题概述
2.2 数据集
2.3 新手模型
2.4 PyTorch方式
2.4.1 高阶API
2.4.2 functional模块
2.4.3 损失函数
2.4.4 优化器
2.5 总结
参考资料
第3章 深度学习工作流
3.1 构思和规划
3.2 设计和实验
3.2.1 数据集和DataLoader类
3.2.2 实用程序包
3.3 模型实现
3.4 训练和验证
3.5 总结
参考资料
第4章 计算机视觉
4.1 CNN简介
4.2 将PyTorch应用于计算机视觉
4.2.1 简单CNN
4.2.2 语义分割
4.3 总结
参考资料
第5章 序列数据处理
5.1 循环神经网络简介
5.2 问题概述
5.3 实现方法
5.3.1 简单RNN
5.3.2 高级RNN
5.3.3 递归神经网络
5.4 总结
参考资料
第6章 生成网络
6.1 方法定义
6.2 自回归模型
6.2.1 PixelCNN
6.2.2 WaveNet
6.3 GAN
6.3.1 简单GAN
6.3.2 CycleGAN
6.4 总结
参考资料
第7章 强化学习
7.1 问题定义
7.2 回合制任务与连续任务
7.3 累积折扣奖励
7.4 马尔可夫决策过程
7.5 解决方法
7.5.1 策略和价值函数
7.5.2 贝尔曼方程
7.5.3 深度Q学习
7.5.4 经验回放
7.5.5 Gym
7.6 总结
参考资料
第8章 将PyTorch应用到生产
8.1 使用Flask提供服务
8.2 ONNX
8.3 使用TorchScript提高效率
8.4 探索RedisAI
8.5 总结
参考资料