更新时间：2022-02-25 15:15:25
封面
版权信息
版权声明
内容提要
关于作者与译者
关于封面插图
译者序
序
前 言
致 谢
关于本书
资源与支持
第1部分 PyTorch核心
第1章 深度学习和PyTorch库简介
1.1 深度学习革命
1.2 PyTorch深度学习
1.3 为什么用PyTorch
1.4 PyTorch如何支持深度学习概述
1.5 硬件和软件要求
1.6 练习题
1.7 本章小结
第2章 预训练网络
2.1 一个识别图像主体的预训练网络
2.2 一个足以以假乱真的预训练模型
2.3 一个描述场景的预训练网络
2.4 Torch Hub
2.5 总结
2.6 练习题
2.7 本章小结
第3章 从张量开始
3.1 实际数据转为浮点数
3.2 张量：多维数组
3.3 索引张量
3.4 命名张量
3.5 张量的元素类型
3.6 张量的API
3.7 张量的存储视图
3.8 张量元数据：大小、偏移量和步长
3.9 将张量存储到GPU
3.10 NumPy互操作性
3.11 广义张量也是张量
3.12 序列化张量
3.13 总结
3.14 练习题
3.15 本章小结
第4章 使用张量表征真实数据
4.1 处理图像
4.2 三维图像：体数据
4.3 表示表格数据
4.4 处理时间序列
4.5 表示文本
4.6 总结
4.7 练习题
4.8 本章小结
第5章 学习的机制
5.1 永恒的建模经验
5.2 学习就是参数估计
5.3 减少损失是我们想要的
5.4 沿着梯度下降
5.5 PyTorch自动求导：反向传播的一切
5.6 总结
5.7 练习题
5.8 本章小结
第6章 使用神经网络拟合数据
6.1 人工神经网络
6.2 PyTorch nn模块
6.3 最终完成一个神经网络
6.4 总结
6.5 练习题
6.6 本章小结
第7章 区分鸟和飞机：从图像学习
7.1 微小图像数据集
7.2 区分鸟和飞机
7.3 总结
7.4 练习题
7.5 本章小结
第8章 使用卷积进行泛化
8.1 卷积介绍
8.2 卷积实战
8.3 子类化nn.Module
8.4 训练我们的convnet
8.5 模型设计
8.6 总结
8.7 练习题
8.8 本章小结
第2部分 从现实世界的图像中学习：肺癌的早期检测
第9章 使用PyTorch来检测癌症
9.1 用例简介
9.2 为一个大型项目做准备
9.3 到底什么是CT扫描
9.4 项目：肺癌的端到端检测仪
9.5 总结
9.6 本章小结
第10章 将数据源组合成统一的数据集
10.1 原始CT数据文件
10.2 解析LUNA的标注数据
10.3 加载单个CT扫描
10.4 使用病人坐标系定位结节
10.5 一个简单的数据集实现
10.6 总结
