深度学习入门之PyTorch

Learn Deep Learning with PyTorch

非常感谢您能够购买此书，这个github repository包含有深度学习入门之PyTorch的实例代码。由于本人水平有限，在写此书的时候参考了一些网上的资料，在这里对他们表示敬意。由于深度学习的技术在飞速的发展，同时PyTorch也在不断更新，且本人在完成此书的时候也有诸多领域没有涉及，所以这个repository会不断更新作为购买次书的一个后续服务，希望我能够在您深度学习的入门道路上提供绵薄之力。

注意：由于PyTorch版本更迭，书中的代码可能会出现bug，所以一切代码以该github中的为主。

配置环境

书中已经详细给出了如何基于Anaconda配置python环境，以及PyTorch的安装，如果你使用自己的电脑，并且有Nvidia的显卡，那么你可以愉快地进入深度学习的世界了，如果你没有Nvidia的显卡，那么我们需要一个云计算的平台来帮助我们学习深度学习之旅。如何配置aws计算平台

以下的课程目录和书中目录有出入，因为内容正在不断更新，所有的内容更新完成会更迭到书的第二版中！

课程目录

part1: 深度学习基础

• Chapter 2: PyTorch基础

  • Tensor和Variable
  • 自动求导机制
  • 数据的读取
  • autograd.function的介绍
  • Module和Sequential
  • 自定义参数的初始化
  • 模型保存和读取

• Chapter 3: PyTorch高级

  • tensorboard可视化
  • 优化器
  • 自定义loss和非标准层
  • 数据并行和多GPU
  • PyTorch的分布式应用
  • 使用ONNX转化为Caffe2模型

• Chapter 4: 多层感知器

  • 线性模型
  • Logistic 回归
  • 多层神经网络

• Chapter 5: 卷积神经网络

  • 从0开始手动搭建卷积网络
  • 批标准化
  • 使用重复元素的深度网络，VGG
  • 更加丰富化结构的网络，GoogLeNet
  • 深度残差网络，ResNet
  • 稠密连接的卷积网络，DenseNet

• Chapter 6: 循环神经网络

  • LSTM和GRU
  • 使用RNN进行时间序列分析
  • 使用RNN进行图像分类
  • Word Embedding和N-Gram模型
  • Seq-LSTM做词性预测

part2: 深度学习的应用

• Chapter 7: 计算机视觉

  • 图像增强的方法
  • Fine-tuning: 通过微调进行迁移学习
  • 语义分割: 通过卷积实现像素级别的分类
  • 使用卷积网络进行目标检测
  • 使用triplet loss进行人脸识别
  • Neural Transfer: 通过卷积网络实现风格迁移
  • Deep Dream: 探索卷积网络眼中的世界

• Chapter 8: 自然语言处理

  • char rnn实现文本生成
  • 联合卷积网络实现图片字幕
  • 使用rnn进行情感分析
  • seq2seq实现机器翻译
  • cnn+rnn+attention实现文本识别
  • Tree-lstm实现语义相关性分析

part3: 高级内容

• Chapter 9: 生成对抗网络

  • 自动编码器
  • 变分自动编码器
  • 生成对抗网络的介绍
  • 深度卷积对抗网络(DCGANs)
  • Wasserstein-GANs
  • 条件生成对抗网络(Conditional GANs)
  • Pix2Pix

• Chapter 10: 深度增强学习

  • 深度增强学习的介绍
  • Policy gradient
  • Actor-critic gradient
  • Deep Q-networks

一些别的资源

关于深度学习的一些公开课程以及学习资源，可以参考我的这个repository

可以关注我的知乎专栏和博客，会经常分享一些深度学习的文章

关于PyTorch的资源

我的github repo pytorch-beginner

pytorch-tutorial

the-incredible-pytorch

practical-pytorch

PyTorchZeroToAll

Awesome-pytorch-list