适读人群 ：对计算机视觉、自然语言处理感兴趣的人士
本书的核心优势在于,采用易于理解的问题与解决方案的结构,全面而详尽地讲解了PyTorch的使用方法,并提供了大量相应的代码示例,以便将这些概念顺利应用于实际项目中。

目　录
译者序
关于作者
关于技术审查员
致谢
前言
第1 章　PyTorch 入门,张量与张量运算 1
什么是PyTorch 5
PyTorch 安装 5
秘籍1-1　张量的使用 7
小结 36
第2 章　使用PyTorch 中的概率分布 37
秘籍2-1　采样张量 38
秘籍2-2　可变张量 43
秘籍2-3　统计学基础 45
秘籍2-4　梯度计算 51
秘籍2-5　张量运算之一 54
秘籍 2-6　张量运算之二 55
秘籍2-7　统计分布 58
小结 62
第3 章　使用PyTorch 中的卷积神经网络和循环神经网络 63
秘籍 3-1　设置损失函数 63
秘籍3-2　估计损失函数的导数 67
秘籍3-3　模型微调 73
秘籍3-4　优化函数选择 75
秘籍3-5　进一步优化函数 80
秘籍3-6　实现卷积神经网络 84
秘籍3-7　模型重载 92
秘籍3-8　实现循环神经网络 96
秘籍3-9　实现用于回归问题的循环神经网络 102
秘籍3-10　使用PyTorch 内置的循环神经网络函数 104
秘籍3-11　使用自编码器(Autoencoder) 108
秘籍 3-12　使用自编码器实现结果微调 113
秘籍3-13　约束模型过拟合 116
秘籍3-14　可视化模型过拟合 119
秘籍3-15　初始化权重中的丢弃率 123
秘籍3-16　添加数学运算 125
秘籍3-17　循环神经网络中的嵌入层 128
小结 130
第4 章　PyTorch 中的神经网络简介 131
秘籍4-1　激活函数的使用 131
秘籍4-2　激活函数可视化 139
秘籍4-3　基本的神经网络模型 142
秘籍4-4　张量微分 146
小结 148
第5 章　PyTorch 中的监督学习 149
秘籍5-1　监督模型的数据准备 153
秘籍5-2　前向和反向传播神经网络 155
秘籍5-3　优化和梯度计算 158
秘籍5-4　查看预测结果 160
秘籍5-5　监督模型逻辑回归 164
小结 168
第6 章　使用PyTorch 对深度学习模型进行微调 169
秘籍6-1　构建顺序神经网络 170
秘籍6-2　确定批量的大小 172
秘籍6-3　确定学习率 175
秘籍6-4　执行并行训练 180
小结 182
第7 章　使用PyTorch 进行自然语言处理 183
秘籍7-1　词嵌入 185
秘籍7-2　使用PyTorch 创建CBOW 模型 190
秘籍7-3　LSTM 模型 194
小结 199
第8 章　分布式PyTorch 建模、模型优化和部署 200
秘籍8-1　分布式Torch 架构 200
秘籍8-2　Torch 分布式组件 202
秘籍8-3　设置分布式PyTorch 203
秘籍8-4　加载数据到分布式PyTorch 205
秘籍8-5　PyTorch 中的模型量化 208
秘籍8-6　量化观察器应用 211
秘籍8-7　使用MNIST 数据集应用量化技术 213
小结 225
第9 章　图像和音频的数据增强、特征工程和提取 226
秘籍9-1　音频处理中的频谱图 226
秘籍9-2　安装Torchaudio 229
秘籍9-3　将音频文件加载到PyTorch 中 231
秘籍9-4　安装用于音频的Librosa 库 232
秘籍9-5　频谱图变换 234
秘籍9-6　Griffin-Lim 变换 236
秘籍9-7　使用滤波器组进行梅尔尺度转换 237
秘籍9-8　 　 Librosa 的梅尔尺度转换与Torchaudio 版本对比 240
秘籍9-9　 　 　使用Librosa 和Torchaudio 进行MFCC 和LFCC 243
秘籍9-10　图像数据增强 247
小结 250
第10 章　PyTorch 模型可解释性和Skorch 251
秘籍10-1　安装Captum 库 252
秘籍10-2　主要归因:深度学习模型的特征重要性 253
秘籍10-3　深度学习模型中神经元的重要性 259
秘籍10-4　安装Skorch 库 260
秘籍10-5　Skorch 组件在神经网络分类器中的应用 262
秘籍10-6　Skorch 神经网络回归器 265
秘籍10-7　Skorch 模型的保存和加载 269
秘籍10-8　使用Skorch 创建神经网络模型流水线 270
秘籍10-9　 　 使用Skorch 进行神经网络模型的轮次评分 272
秘籍10-10　使用Skorch 进行超参数的网格搜索 274
小结 276