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。
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！
-
Chapter 2: PyTorch基础
-
Chapter 3: 神经网络
-
Chapter 4: 卷积神经网络
- PyTorch 中的卷积模块
- 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
- 更好的训练卷积网络：数据增强、批标准化、dropout和正则化方法
- 灵活的数据读取介绍
- Fine-tuning: 通过微调进行迁移学习
-
Chapter 5: 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
-
Chapter 6: 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)
-
Chapter 7: PyTorch高级
- tensorboard 可视化
- 优化算法
- autograd.function 的介绍
- 数据并行和多 GPU
- PyTorch 的分布式应用
- 使用 ONNX 转化为 Caffe2 模型
- PyTorch 写 C 扩展
-
Chapter 8: 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 FCN 实现像素级别的分类
- 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 9: 自然语言处理
- char rnn 实现文本生成
- seq2seq 实现机器翻译
- cnn+rnn+attention 实现文本识别
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
关于PyTorch的资源
我的github repo pytorch-beginner