PYTORCH深度学习指南：计算机视觉 卷II

国外Pytorch深度学习畅销书 全彩印刷
作者拥有20余年从业经验
“PyTorch深度学习指南”丛书循序渐进地详细讲解了与深度学习相关的重要概念、算法和模型，并着重展示了PyTorch是如何实现这些算法和模型的。其共分三卷：编程基础、计算机视觉、序列与自然语言处理。
本书适用于对深度学习感兴趣，并希望使用PyTorch实现深度学习的Python程序员阅读。

以下是部分国外读者书评
TS.：这本书不只是把代码推到你面前，它解释了事物在引擎盖下是如何工作的。我非常喜欢这种风格，所以我把这本书及其第二卷作为我的ECE655高级GPU编程和深度学习课程的教材。
Nenad：这本书值得诺贝尔教学奖！到目前为止，这是我找到的优选的深度学习入门书。它不仅出色地解释了这么多概念，而且语言如此流畅，以至于我从未被卡住。我也从来没有读过一本书，像作者在读我的心一样，问答式的写作方式被如此恰当地使用和适时地运用。每本书都应该这样写（例如，如果你是第一次学习DL，我发现这本书比Fast AI好几个数量级）。我把这本书重读了好几遍，只希望计算机视觉的续集能很快问世。

“PyTorch深度学习指南”丛书循序渐进地详细讲解了与深度学习相关的重要概念、算法和模型，并着重展示了PyTorch是如何实现这些算法和模型的。其共分三卷：编程基础、计算机视觉、序列与自然语言处理。
本书为该套丛书的第二卷：计算机视觉。本书主要介绍了深度模型、激活函数和特征空间；Torchvision、数据集、模型和转换；卷积神经网络、丢弃和学习率调度器；迁移学习和微调流行的模型(ResNet、Inception等)等内容。
本书适用于对深度学习感兴趣，并希望使用PyTorch实现深度学习的Python程序员阅读学习。

前  言
致  谢
关于作者
译者序
常见问题  
    为什么选择PyTorch？  
    为什么选择这套书？  
    谁应该读这套书？  
    我需要知道什么？  
    如何阅读这套书？  
    下一步是什么？  
设置指南  
    官方资料库  
    环境  
    谷歌Colab  
    Binder  
    本地安装  
    继续  
第4章  图像分类  
    剧透  
    Jupyter Notebook  
    导入  
    图像分类  
    数据生成  
    NCHW与NHWC  
    Torchvision  
    数据集  
    模型  
    转换  
    图像上的转换  
    张量上的转换  
    组合转换  
    数据准备  
    数据集转换  
    SubsetRandomSampler  
    数据增强转换  
    WeightedRandomSampler  
    种子和更多(种子)  
    小结  
    作为特征的像素  
    浅层模型  
    符号  
    模型配置  
    模型训练  
    深层模型  
    模型配置  
    模型训练  
    给我看看数学  
    给我看看代码  
    作为像素的权重  
    激活函数  
    Sigmoid  
    双曲正切(TanH)  
    整流线性单元(ReLU)  
    泄漏ReLU  
    参数ReLU(PReLU)  
    深度模型  
    模型配置  
    模型训练  
    再给我看看数学  
    归纳总结  
    回顾  
奖励章  特征空间  
    二维特征空间  
    转换  
    二维模型  
    决策边界，激活方式  
    更多的函数，更多的边界  
    更多的层，更多的边界  
    更多的维度，更多的边界  
    回顾  
第5章  卷积  
    剧透  
    Jupyter Notebook  
    导入  
    卷积  
    滤波器/内核  
    卷积运算  
    四处移动  
    形状  
    在PyTorch中进行卷积  
    步幅  
    填充  
    真正的滤波器  
    池化  
    展平  
    维度  
    典型架构  
    LeNet-5  
    多类分类问题  
    数据生成  
    数据准备  
    损失  
    分类损失总结  
    模型配置  
    模型训练  
    可视化滤波器和其他  
    可视化滤波器  
    钩子  
    可视化特征图  
    可视化分类器层  
    准确率  
    加载器应用  
    归纳总结  
    回顾  
第6章  石头、剪刀、布  
    剧透  
    Jupyter Notebook  
    导入  
    关于石头、剪刀、布  
    石头、剪刀、布数据集  
    数据准备  
    ImageFolder  
    标准化  
    真实数据集  
    三通道卷积  
    更高级的模型  
    丢弃  
    二维丢弃  
    模型配置  
    优化器  
    学习率  
    模型训练  
    准确率  
    正则化效果  
    可视化滤波器  
    学习率  
    寻找LR  
    自适应学习率  
    随机梯度下降(SGD)  
    学习率调度器  
    验证损失调度器  
    自适应与循环  
    归纳总结  
    回顾
第7章  迁移学习
    剧透  
    Jupyter Notebook  
    导入  
    迁移学习  
    ImageNet  
    ImageNet大规模视觉识别挑战赛(ILSVRC)  
    ILSVRC-2012  
    ILSVRC-2014  
    ILSVRC-2015  
    对比各架构  
    实践中的迁移学习  
    预训练模型  
    模型配置  
    数据准备  
    模型训练  
    生成特征数据集  
    顶层模型  
    辅助分类器(侧头)  
    1×1卷积  
    Inception模块  
    批量归一化  
    游程（running）统计  
    评估阶段  
    动量  
    BatchNorm2d  
    其他归一化  
    小结  
    残差连接  
    学习恒等  
    捷径的力量  
    残差块  
    归纳总结  
    微调  
    特征提取  
    回顾  
额外章  梯度消失和爆炸  
    剧透  
    Jupyter Notebook  
    导入  
    梯度消失和爆炸  
    梯度消失  
    球数据集和块模型  
    权重、激活和梯度  
    初始化方案  
    批量归一化  
    梯度爆炸  
    数据生成和准备  
    模型配置和训练  
    梯度裁剪  
    模型配置和训练  
    用钩子裁剪  
    回顾