[正版]PyTorch深度学习实战 pytorch神经网络编程开发深度学习入门与实践机器学习人工智能自然语言处理技术编程

                                                                                              店铺公告

本店存在书、古旧书、收藏书、二手书等特殊商品，因受采购成本限制,可能高于定价销售，明码标价，介意者勿拍!

1.书籍因稀缺可能导致售价高于定价,图书实际定价参见下方详情内基本信息,请买家看清楚且明确后再拍，避免价格争议!

2.店铺无纸质均开具电子，请联系客服开具电子版

虽然很多深度学习工具*使用Python，但PyTorch 库是真正具备Python 风格的。对于任何了解NumPy 和scikit-learn 等工具的人来说，上手PyTorch 轻而易举。PyTorch 在*牺牲*级*性的情况下简化了深度学习，它非常适合构建快速模型，并且可以平稳地从个人应用扩展到企业级应用。由于像苹果、Facebook和摩根大通这样的公司*使用PyTorch，所以当你掌握了PyTorth，*会拥有更多的职业选择。 本书是教你使用 PyTorch *建*经网络和深度学习系统的实用指南。它帮助读者快速从零开始构建*个真实示例：肿瘤图像分类器。在此过程中，它涵盖了整个深度学习管道的关键实践，*括 PyTorch张量 API、用 Python 加载数据、监控训练以及将结果进行可视化展示。 本书主要内容： （*）训练深层*经网络； （2）实现模块和损失函数； （3）使用 PyTorch Hub 预先训练的模型； （4）探索在 Jupyter Notebooks 中编写示例代码。 本书适用于对深度学习感兴趣的 Python 程序员。了解深度学习的基础知识对阅读本书有*定的帮助，但读者*须具有使用 PyTorch 或其他深度学习框架的经验。

第 **分　PyTorch核心
第　*章 深度学习和PyTorch库简介　3
*.*　深度学习革命　4
*.2　PyTorch深度学习　5
*.3　为什么用PyTorch　6
*.4　PyTorch如何支持深度学习概述　8
*.5　硬件和软件要求　*0
*.6　练习题　*2
*.7　本章小结　*3

第　2章 预训练网络　*4
2.*　*个识别图像主体的预训练网络　*5
2.*.*　获取*个预先训练好的网络用于图像识别　*6
2.*.2　AlexNet　*7
2.*.3　ResNet　*9
2.*.4　准备运行　*9
2.*.5　运行模型　2*
2.2　*个足以以假乱真的预训练模型　23
2.2.*　GAN游戏　24
2.2.2　CycleGAN　25
2.2.3　*个把马变成斑马的网络　26
2.3　*个描述场景的预训练网络　29
2.4　Torch Hub　3*
2.5　总结　32
2.6　练习题　32
2.7　本章小结　33

第3章　从张量开始　34
3.*　实际数据转为浮点数　34
3.2　张量：多维数组　36
3.2.*　从Python列表到PyTorch张量　36
3.2.2　构造第 *个张量　37
3.2.3　张量的本质　37
3.3　索引张量　40
3.4　命名张量　40
3.5　张量的元素类型　43
3.5.*　使用dtype*数字类型　43
3.5.2　适合任何场合的dtype　44
3.5.3　管理张量的dtype属性　44
3.6　张量的API　45
3.7　张量的存储视图　46
3.7.*　索引存储区　47
3.7.2　修改存储值：*地操作　48
3.8　张量元数据：大小、偏移量和步长　48
3.8.*　另*个张量的存储视图　49
3.8.2　*复制转置　5*
3.8.3　*维转置　52
3.8.4　连续张量　53
3.9　将张量存储到GPU　55
3.*0　NumPy互操作性　57
3.**　广义张量也是张量　57
3.*2　序列化张量　58
3.*3　总结　60
3.*4　练习题　60
3.*5　本章小结　60

第4章　使用张量表征真实数据　6*
4.*　处理图像　62
4.*.*　添加颜色通道　62
4.*.2　加载图像文件　63
4.*.3　改变布局　63
4.*.4　正规化数据　64
4.2　三维图像：体数据　65
4.3　表示表格数据　66
4.3.*　使用真实的数据集　67
4.3.2　加载葡萄酒数据张量　68
4.3.3　表示分数　70
4.3.4　*热编码　70
4.3.5　何时分类　72
4.3.6　寻找阈值　73
4.4　处理时间序列　75
4.4.*　增加时间维度　76
4.4.2　按时间段调整数据　77
4.4.3　准备训练　79
4.5　表示文本　8*
4.5.*　将文本转化为数字　8*
4.5.2　*热编码字符　82
4.5.3　*热编码整个词　83
4.5.4　文本嵌入　85
4.5.5　作为蓝图的文本嵌入　87
4.6　总结　88
4.7　练习题　88
4.8　本章小结　88

第5章　学习的机制　90
5.*　*恒的建模经验　90
5.2　学习*是参数估计　92
5.2.*　*个热点问题　93
5.2.2　收集*些数据　93
5.2.3　可视化数据　94
5.2.4　选择线性模型*试　94
5.3　减少损失是我们想要的　95
5.4　沿着梯度下降　98
5.4.*　减小损失　99
5.4.2　进行分析　99
5.4.3　迭代以适应模型　*0*
5.4.4　归*化输入　*04
5.4.5　再次可视化数据　*06
5.5　PyTorch自动求导：反向传播的*切　*07
5.5.*　自动计算梯度　*07
5.5.2　*化器　***
5.5.3　训练、验证和过拟合　**5
5.5.4　自动求导更新及关闭　*20
5.6　总结　*2*
5.7　练习题　*22
5.8　本章小结　*22

第6章　使用*经网络拟合数据　*23
6.*　人工*经网络　*24
6.*.*　组成*个多层网络　*25
6.*.2　理解误差函数　*25
6.*.3　我们需要的只是激活函数　*26
6.*.4　更多激活函数　*28
6.*.5　选择最佳激活函数　*28
6.*.6　学习对于*经网络意味着什么　*29
6.2　PyTorch nn模块　*3*
6.2.*　使用__call__()而*是forward()　*32
6.2.2　回到线性模型　*33
6.3　最*完成*个*经网络　*37
6.3.*　替换线性模型　*37
6.3.2　检查参数　*38
6.3.3　与线性模型对比　*4*
6.4　总结　*42
6.5　练习题　*42
6.6　本章小结　*42

第7章　区分鸟和飞机：从图像学习　*43
7.*　微小图像数据集　*43
7.*.*　下载CIFAR-*0　*44
7.*.2　Dataset类　*45
7.*.3　Dataset变换　*46
7.*.4　数据归*化　*49
7.2　区分鸟和飞机　*50
7.2.*　构建数据集　*5*
7.2.2　*个*连接模型　*52
7.2.3　分类器的输出　*53
7.2.4　用概率表示输出　*54
7.2.5　分类的损失　*57
7.2.6　训练分类器　*59
7.2.7　*连接网络的局限　*65
7.3　总结　*67
7.4　练习题　*67
7.5　本章小结　*68

第8章　使用卷积进行泛化　*69
8.*　卷积介绍　*69
8.2　卷积实战　*72
8.2.*　填充边界　*73
8.2.2　用卷积检测*征　*75
8.2.3　使用深度和池化技术进*步研究　*77
8.2.4　为我们的网络整合*切　*79
8.3　子类化nn.Module　*8*
8.3.*　将我们的网络作为*个nn.Module　*82
8.3.2　PyTorch如何跟踪参数和子模块　*83
8.3.3　函数式API　*84
8.4　训练我们的convnet　*85
8.4.*　测量*度　*87
8.4.2　*存并加载我们的模型　*88
8.4.3　在GPU上训练　*88
8.5　模型设计　*90
8.5.*　增加内存容量：宽度　*9*
8.5.2　帮助我们的模型收敛和泛化：正则化　*92
8.5.3　深入学习更复杂的结构：深度　*95
8.5.4　本节设计的比较　200
8.5.5　已经过时了　20*
8.6　总结　20*
8.7　练习题　20*
8.8　本章小结　202

第　2*分 从现实*的图像中学习：肺癌的早期检测
第9章　使用PyTorch来检测癌症　205
9.*　用例简介　205
9.2　为*个大型项目做准备　206
9.3　到底什么是CT扫描　207
9.4　项目：肺癌的端到端检测仪　2*0
9.4.*　为什么我们*把数据扔给*经网络直到它起作用呢　2*3
9.4.2　什么是结节　2*6
9.4.3　我们的数据来源：LUNA大挑战赛　2*7
9.4.4　下载LUNA数据集　2*8
9.5　总结　2*9
9.6　本章小结　2*9

第　*0章 将数据源组合成统*的数据集　220
*0.*　原始CT数据文件　222
*0.2　解析LUNA的标注 数据　222
*0.2.*　训练集和验证集　224
*0.2.2　统*标注和候选 数据　225
*0.3　加载单个CT扫描　227
*0.4　使用病人坐标系定位结节　230
*0.4.*　病人坐标系　230
*0.4.2　CT扫描形状和体素大小　232
*0.4.3　毫米和体素地址之间的转换　233
*0.4.4　从CT扫描中取出*个结节　234
*0.5　*个简单的数据集实现　235
*0.5.*　使用getCtRawCandidate()函数缓存候选数组　238
*0.5.2　在LunaDataset.__init__()中构造我们的数据集　238
*0.5.3　分隔训练集和验证集　239
*0.5.4　呈现数据　240
*0.6　总结　24*
*0.7　练习题　24*
*0.8　本章小结　242

第　**章 训练分类模型以检测可疑肿瘤　243
**.*　*个基本的模型和训练循环　243
**.2　应用程序的主入口点　246
**.3　预训练和初始化　247
**.3.*　初始化模型和*化器　247
**.3.2　数据加载器的维护和供给　249
**.4　我们的*次*经网络设计　25*
**.4.*　核心卷积　25*
**.4.2　完整模型　254
**.5　训练和验证模型　257
**.5.*　computeBatchLoss()函数　258
**.5.2　类似的验证循环　260
**.6　输出性能指标　26*
**.7　运行训练脚本　265
**.7.*　训练所需的数据　266
**.7.2　插曲：enumerateWithEstimate()函数　266
**.8　评估模型：得到99.7%的正确率是否意味着我们完成了任务　268
**.9　用TensorBoard绘制训练指标　269
**.9.*　运行TensorBoard　269
**.9.2　增加TensorBoard对指标记录函数的支持　272
**.*0　为什么模型*学习检测结节　274
**.**　总结　275
**.*2　练习题　275
**.*3　本章小结　275

第　*2章 通过指标和数据增强来提*训练　277
*2.*　*级改进计划　278
*2.2　好狗与坏狗：假阳性与假阴性　279
*2.3　用图表表示阳性与阴性　280
*2.3.*　召回率是Roxie的强项　282
*2.3.2　*度是Preston的强项　283
*2.3.3　在logMetrics()中实现*度和召回率　284
*2.3.4　我们的**性能指标：F*分数　285
*2.3.5　我们的模型在新指标下表现如何　289
*2.4　理想的数据集是什么样的　290
*2.4.*　使数据看起来更理想化　292
*2.4.2　使用平衡的LunaDataset与之前的数据集运行情况对比　296
*2.4.3　认识过拟合　298
*2.5　重新审视过拟合的问题　300
*2.6　通过数据增强*止过拟合　300
*2.6.*　具体的数据增强技术　30*
*2.6.2　看看数据增强带来的改进　306
*2.7　总结　308
*2.8　练习题　308
*2.9　本章小结　309

第　*3章 利用分割法寻找可疑结节　3*0
*3.*　向我们的项目添加第 2个模型　3*0
*3.2　各种类型的分割　3*2
*3.3　语义分割：逐像素分类　3*3
*3.4　更新分割模型　3*7
*3.5　更新数据集以进行分割　3*9
*3.5.*　U-Net有非常具体的对输入大小的要求　320
*3.5.2　U-Net对三维和二维数据的权衡　320
*3.5.3　构建真实、有效的数据集　32*
*3.5.4　实现Luna2dSegmentationDataset　327
*3.5.5　构建训练和验证数据　33*
*3.5.6　实现TrainingLuna2dSegmentationDataset　332
*3.5.7　在GPU上增强数据　333
*3.6　更新用于分割的训练脚本　335
*3.6.*　初始化分割和增强模型　336
*3.6.2　使用Adam*化器　336
*3.6.3　骰子损失　337
*3.6.4　将图像导入TensorBoard　340
*3.6.5　更新指标日志　343
*3.6.6　*存模型　344
*3.7　结果　345
*3.8　总结　348
*3.9　练习题　348
*3.*0　本章小结　349

第　*4章 端到端的结节分析及下*步的方向　350
*4.*　接近*点线　350
*4.2　验证集的*立性　352
*4.3　连接CT分割和候选结节分类　353
*4.3.*　分割　354
*4.3.2　将体素分组为候选结节　355
*4.3.3　我们发现结节了吗？分类以减少假阳性　357
*4.4　定量验证　360
*4.5　预测恶性肿瘤　36*
*4.5.*　获取恶性肿瘤信息　36*
*4.5.2　曲线基线下的区域：按直径分类　362
*4.5.3　重用预先存在的权重：微调　365
*4.5.4　TensorBoard中的输出　370
*4.6　在诊断时所见的内容　374
*4.7　接下来呢？其他灵感和数据的来源　376
*4.7.*　*止过拟合：更好的正则化　377
*4.7.2　*细化训练数据　379
*4.7.3　竞赛结果及研究论文　380
*4.8　总结　38*
*4.9　练习题　382
*4.*0　本章小结　383

第3*分　*署
第　*5章 *署到生产环境　387
*5.*　PyTorch模型的服务　388
*5.*.*　支持Flask服务的模型　388
*5.*.2　我们想从*署中得到的东西　390
*5.*.3　批处理请求　39*
*5.2　导出模型　395
*5.2.*　PyTorch与ONNX的互操作性　396
*5.2.2　PyTorch自己的导出：跟踪　397
*5.2.3　具有跟踪模型的服务器　398
*5.3　与PyTorch JIT编译器交互　398
*5.3.*　*越*Python/PyTorch的期望是什么　399
*5.3.2　PyTorch作为接口和后端的双重*性　400
*5.3.3　TorchScript　400
*5.3.4　为可追溯的差异编写脚本　404
*5.4　LibTorch：C++中的PyTorch　405
*5.4.*　从C++中运行JITed模型　405
*5.4.2　从C++ API开始　408
*5.5　*署到移动设备　4**
*5.6　新兴技术：PyTorch
　模型的企业服务　4*6
*5.7　总结　4*6
*5.8　练习题　4*6
*5.9　本章小结　4*6




作者 伊莱·史蒂文斯（Eli Stevens）职业生涯的大*分时间*在美*硅谷的初*公司工作，从软件工程师（网络设备制造业）到*席技术官（开发肿瘤放疗软件）。在本书出版时，他正在汽车自动驾驶行业从事机器学习相关工作。 卢卡·安蒂加（Luca Antiga）于2* 世纪初担任生物医学工程研究员。20*0 年到2020 年间，他是*家人工智能工程公司的联合*始人和*席技术官。他参与了多个开源项目，*括PyTorch 的核心模块。最近，他作为联合*始人*建了*家总*位于美*的初*公司，*注于数据定义软件的基础设施。 托马斯·菲曼（Thomas Viehmann）是*名德*慕尼黑的机器学习和PyTorch 的*业培训师和顾问，也是PyTorch 核心开发人员。拥有数学博士学位的他*畏惧理论，擅长将理论应用于实际的计算挑战。 译者 牟大恩，武汉大学硕士研究生毕业，曾先后在网易杭州研究院、*酷土豆集团、海通证券总 *负责技术研发及系统架构设计工作，目前任职于东方证券资产管理有限公司。他有多年的Java 开发及系统设计经验，*注于互联网金融及大数据应用相关*域，热爱技术，喜欢钻研前沿技术， 是机器学习及深度学习的深度爱好者。近年来著有《Kafka 入门与实践》，译有《Kafka Streams 实战》，已提交技术发明*利申请两项。

1