PYTORCH深度学习实战：构建、训练和部署神经网络模型（原书第2版）

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。

本书提供使用PyTorch 开发深度学习应用程序的基本原理和方法,旨在为读者介绍机器学习工程师和数据科学家在解决深度学习问题中所采用的主流现代算法与技术,紧跟深度学习领域的最新发展趋势,助力初学者熟练掌握PyTorch。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。本书适合对计算机视觉、自然语言处理等领域感兴趣的人士阅读。对于希望在深度学习任务中运用PyTorch 的读者,本书将是一本实用的指南。

关于作者Pradeepta Mishra 是一位在人工智能领域具有深厚造诣的专家,在数据科学和人工智能架构方面拥有丰富的实践经验,目前担任FOSFOR 公司旗下5 个产品的自然语言处理、机器学习及人工智能计划的主管。FOSFOR 公司作为业界领先的人工智能和机器学习创新公司,始终站在技术前沿。Pradeepta Mishra 的专长在于设计卓越的人工智能系统,尤其在理解和处理自然语言以及基于自然语言处理的推荐系统方面展现出超凡的专业能力。他作为发明人共申请了12 项专利,并在学术领域取得了丰硕的成果。他先后撰写了5 本著作,内容涵盖数据挖掘、空间数据、文本数据、网络数据和社交媒体数据等多个领域。这些书籍均由知名出版社出版发行,分别为《R 数据挖掘蓝图》(Packt 出版社,2016 年)、《R:挖掘空间、文本、网络和社交媒体数据》(Packt 出版社,2017 年)、《PyTorch 秘籍》(Apress,2019 年) 和《Python 实用说明性人工智能》(Apress,2022 年)。基于这些学术成果,他还在在线教育平台Udemy 上开设了两门相关课程,为广大学员提供了宝贵的学习资源。在2018 年全球数据科学大会上,Pradeepta 发表了关于双向LSTM 在时间序列预测中的主题演讲,为参会者提供了深入的技术见解。此外,他在TED 演讲中探讨了人工智能对行业转型和变革工作角色的影响,引发了广泛的思考和讨论。Pradeepta 不仅在专业领域有所建树,还热衷于分享他的知识和经验。曾在各类聚会、技术机构、大学和社区论坛上进行了150 余场技术演讲,为听众提供了宝贵的洞见。如需了解更多关于Pradeepta 的信息,请访问他的 LinkedIn 页面(www.linkedin.com/in/pradeepta/) 或关注他的Twitter 账号@pradmishra1。关于技术审查员Chris Thomas 是一位在人工智能和机器学习领域拥有丰富研究和开发经验的英国顾问。他还是英国分析师和程序员协会的专业会员,拥有超过20 年的技术专业生涯经验。在此期间,他曾在公共部门、半导体行业、金融、公用事业和营销领域担任要职,积累了丰富的实践经验。

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 5PyTorch 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