首页
学习
活动
专区
工具
TVP
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往

《深度学习框架PyTorch:入门与实践》

《深度学习框架PyTorch:入门与实践》

陈云 著

2018年1月出版点击此处参与抽奖,选取1 名同学获赠此书,1月11日自动开奖。

内容简介

本书从多维数组Tensor开始,循序渐进地带领读者了解PyTorch各方面的基础知识。结合基础知识和前沿研究,带领读者从零开始完成几个经典有趣的深度学习小项目,包括GAN生成动漫头像、AI滤镜、AI写诗等。本书没有简单机械地介绍各个函数接口的使用,而是尝试分门别类、循序渐进地向读者介绍PyTorch的知识,希望读者对PyTorch有一个完整的认识。

本书内容由浅入深,无论是深度学习的初学者,还是第一次接触PyTorch的研究人员,都能在学习本书的过程中快速掌握PyTorch。即使是有一定PyTorch使用经验的用户,也能够从本书中获得对PyTorch不一样的理解。

作者简介

陈云

Python程序员、Linux爱好者和PyTorch源码贡献者。主要研究方向包括计算机视觉和机器学习。“2017知乎看山杯机器学习挑战赛”一等奖,“2017天池医疗AI大赛”第八名。 热衷于推广PyTorch,并有丰富的使用经验,活跃于PyTorch论坛和知乎相关板块。

本书前言

为什么写这本书

2016年是属于TensorFlow的一年,凭借谷歌的大力推广,TensorFlow占据了各大媒体的头条。2017年年初,PyTorch的横空出世吸引了研究人员极大的关注,PyTorch简洁优雅的设计、统一易用的接口、追风逐电的速度和变化无方的灵活性给人留下深刻的印象。

作为一门2017年刚刚发布的深度学习框架,研究人员所能获取的学习资料有限,中文资料更是比较少。笔者长期关注PyTorch发展,经常在论坛上帮助PyTorch新手解决问题,在平时的科研中利用PyTorch进行各个方面的研究,有着丰富的使用经验。看到国内的用户对PyTorch十分感兴趣,迫切需要一本能够全面讲解PyTorch的书籍,于是本书就这么诞生了。

本书的结构

本书分为两部分:第2~5章主要介绍PyTorch的基础知识。

√ 第2章介绍PyTorch的安装和配置学习环境。同时以最概要的方式介绍PyTorch的主要内容,让读者对PyTorch有一个大概的整体印象。

√ 第3章介绍PyTorch中多维数组Tensor和动态图autograd/Variable的使用,并配以例子,让读者分别使用Tensor和autograd实现线性回归,比较二者的不同点。本章还对Tensor的底层设计,以及autograd的原理进行了分析,给读者以更全面具体的讲解。

√ 第4章介绍PyTorch中神经网络模块nn的基础用法,同时讲解了神经网络中的“层”、“损失函数”、“优化器”等,最后带领读者用不到50行的代码搭建出曾夺得ImageNet冠军的ResNet。

√ 第5章介绍PyTorch中数据加载、GPU加速和可视化等相关工具。

第6~10章主要介绍实战案例。

√ 第6章是承上启下的一章,目标不是教会读者新函数、新知识,而是结合Kaggle中一个经典的比赛,实现一个深度学习中比较简单的图像二分类问题。在实现的过程中,带领读者复习前5章的知识,并提出代码规范以合理地组织程序和代码,使程序更可读、可维护。第6章还介绍在PyTorch中如何进行debug。

√ 第7章为读者讲解当前最火爆的生成对抗网络(GAN),带领读者从零开始实现一个动漫头像生成器,能够利用GAN生成风格多变的动漫头像。

√ 第8章为读者讲解风格迁移的相关知识,并带领读者实现风格迁移网络,将自己的照片变成“高大上”的名画。

√ 第9章为读者讲解一些自然语言处理的基础知识,并讲解CharRNN的原理。然后利用其收集几万首唐诗,训练出一个可以自动写诗歌的小程序。这个小程序可以控制生成诗歌的格式和意境,还能生成藏头诗。

√ 第10章为读者介绍图像描述任务,并以最新的AI Challenger比赛的数据为例,带领读者实现一个可以进行简单图像描述的小程序。

第1章和第11章是本书的首章和末章,第1章介绍PyTorch的优势,以及和市面上其他几款框架的对比。第11章是对本书的总结,以及对PyTorch不足之处的思考,同时对读者未来的学习提出建议。

关于代码

本书的所有代码都开源在GitHub【https://github.com/chenyuntc/pytorch-book】上,其中:

√ 第2~5章的代码以Jupyter Notebook形式提供,读者可以在自己的计算机上交互式地修改运行它。

√ 第6~10章的代码以单独的程序给出,每个函数的作用与细节在代码中有大量的注释。

本书的代码,在最新版的PyTorch 0.2上运行,同时支持Python 2 和Python 3,其中:

√ 前5章的代码同时在Python 2.7和Python 3.5上验证,并得到最终结果。

√ 第6~10章的代码,主要在Python 2.7上运行并得到最终结果,同时在Python 3.5上测试未报错。

适读人群

学习本书需要读者具备以下基础知识:

√ 了解Python的基础语法,掌握基础的Python使用方法。

√ 有一定深度学习基础,了解反向传播、卷积神经网络等基础知识,但并不要求深入了解。

√ 具备梯度、导数等高中数学基础知识。

以下知识不是必需的,但最好了解:

√ numpy的使用。

√ 深度学习的基本流程或者其他深度学习框架的使用。

本书不适合哪些读者:

√ 没有任何深度学习基础的用户。

√ 没有Python基础的用户。

√ 只能使用Windows的用户。

如何使用本书

本书第2章是PyTorch快速入门,第3~5章是对这些内容的详细深入介绍。第6章是一个简单而完整的深度学习案例。

如果你是经验丰富的研究人员,之前对PyTorch十分熟悉,对本书的某些例子比较感兴趣,那么你可以跳过前5章,直接阅读第6章,了解这些例子的程序设计与文件组织安排,然后阅读相应的例子。

如果你是初学者,想以最快的速度掌握PyTorch并将PyTorch应用到实际项目中,那么你可以花费2~3小时阅读2.2节的相关内容。如果你需要深入了解某部分的内容,那么可以阅读相应章节。

如果你是初学者,想完整全面地掌握PyTorch,那么建议你:

√ 先阅读第1~5章,了解PyTorch的各个基础知识。

√ 再阅读第6章,了解PyTorch实践中的技巧。

√ 最后从第7~10章挑选出感兴趣的例子,动手实践。

最后,希望读者在阅读本书的时候,尽量结合本书的配套代码阅读、修改、运行之。

本书目录

1 PyTorch简介

1.1 PyTorch的诞生

1.2 常见的深度学习框架简介

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 属于动态图的未来

1.4 为什么选择PyTorch

1.5 星火燎原

1.6 fast.ai 放弃Keras+TensorFlow选择PyTorch

2 快速入门

2.1 安装与配置

2.1.1 安装PyTorch

2.1.2 学习环境配置

2.2 PyTorch入门第一步

2.2.1 Tensor

2.2.2 Autograd:自动微分

2.2.3 神经网络

2.2.4 小试牛刀:CIFAR-10分类

3 Tensor和autograd

3.1 Tensor

3.1.1 基础操作

3.1.2 Tensor和Numpy

3.1.3 内部结构

3.1.4 其他有关Tensor的话题

3.1.5 小试牛刀:线性回归

3.2 autograd

3.2.1 Variable

3.2.2 计算图

3.2.3 扩展autograd

3.2.4 小试牛刀:用Variable实现线性回归

4 神经网络工具箱nn

4.1 nn.Module

4.2 常用的神经网络层

4.2.1 图像相关层

4.2.2 激活函数

4.2.3 循环神经网络层

4.2.4 损失函数

4.3 优化器

4.4 nn.functional

4.5 初始化策略

4.6 nn.Module深入分析

4.7 nn和autograd的关系

4.8 小试牛刀:用50行代码搭建ResNet

5 PyTorch中常用的工具

5.1 数据处理

5.2 计算机视觉工具包:torchvision

5.3 可视化工具

5.3.1 Tensorboard

5.3.2 visdom

5.4 使用GPU加速:cuda

5.5 持久化

6 PyTorch实战指南

6.1 编程实战:猫和狗二分类

6.1.1 比赛介绍

6.1.2 文件组织架构

6.1.3 关于__init__.py

6.1.4 数据加载

6.1.5 模型定义

6.1.6 工具函数

6.1.7 配置文件

6.1.8 main.py

6.1.9 使用

6.1.10 争议

6.2 PyTorch Debug 指南

6.2.1 ipdb 介绍

6.2.2 在PyTorch中Debug

7 AI插画师:生成对抗网络

7.1 GAN的原理简介

7.2 用GAN生成动漫头像

7.3 实验结果分析

8 AI艺术家:神经网络风格迁移

8.1 风格迁移原理介绍

8.2 用PyTorch实现风格迁移

8.3 实验结果分析

9 AI诗人:用RNN写诗

9.1 自然语言处理的基础知识

9.1.1 词向量

9.1.2 RNN

9.2 CharRNN

9.3 用PyTorch实现CharRNN

9.4 实验结果分析

10 Image Caption:让神经网络看图讲故事

10.1 图像描述介绍

10.2 数据

10.2.1 数据介绍

10.2.2 图像数据处理

10.2.3 数据加载

10.3 模型与训练

10.4 实验结果分析

11 展望与未来

11.1 PyTorch的局限与发展

11.2 使用建议点击此处参与抽奖,选取1 名同学获赠此书,1月11日自动开奖。

博文视点

您阅读的专业智库

喜欢请分享至朋友圈

  • 发表于:
  • 原文链接http://kuaibao.qq.com/s/20180109B0MMGK00?refer=cp_1026
  • 腾讯「腾讯云开发者社区」是腾讯内容开放平台帐号(企鹅号)传播渠道之一,根据《腾讯内容开放平台服务协议》转载发布内容。
  • 如有侵权,请联系 cloudcommunity@tencent.com 删除。

扫码

添加站长 进交流群

领取专属 10元无门槛券

私享最新 技术干货

扫码加入开发者社群
领券