Deep Learning with PyTorch

Deep Learning with PyTorch是一本书，概括性地介绍了PyTorch，是一个不错的入门材料。

PyTorch的最大优势在于动态图，可以和numpy无缝对接，debug时设断点可以直接看到tensor的值，而之前的TensorFlow只能把tensor进行sess.run()后才能得到具体数据（TensorFlow 2.0改变了这种模式）。

下面先看下这本书的目录，后续会针对PyTorch再进行具体介绍。本书的英文原版下载地址在文末。

1 Introducing deep learning and the PyTorch library
1.1 What is PyTorch?
1.2 What is this book?
1.3 Why PyTorch?
1.4 PyTorch has the batteries included
2 It starts with a tensor
2.1 Tensor fundamentals
2.2 Tensors and storages
2.3 Size, storage offset, and strides
2.4 Numeric types
2.5 Indexing tensors
2.6 NumPy interoperability
2.7 Serializing tensors
2.8 Moving tensors to the GPU
2.9 The tensor API
3 Real-world data representation with tensors
3.1 Tabular data
3.2 Time series
3.3 Text
3.4 Images
3.5 Volumetric data
4 The mechanics of learning
4.1 Learning is parameter estimation
4.2 PyTorch’s autograd: Backpropagate all things
5 Using a neural network to fit your data
5.1 Artificial neurons
5.2 The PyTorch nn module
5.3 Subclassing nn.Module
 

 

个人翻译版：

1 深度学习和PyTorch库介绍
1.1 PyTorch是什么?
1.2 这本书关于什么?
1.3 为何使用PyTorch?
1.4 PyTorch齐备的功能
2 从tensor开始
2.1 Tensor 基础
2.2 Tensors 和存储
2.3 大小Size, storage offset, and strides
2.4 数据类型
2.5 索引Tensor
2.6 和NumPy互操作
2.7 序列化Tensor
2.8 把Tensor移到GPU上
2.9 tensor 相关API
3 现实世界数据的Tensor表示
3.1 表数据
3.2 时间序列
3.3 文本
3.4 图像
3.5 体积数据
4 学习的机制
4.1 学习是参数估计
4.2 PyTorch的autograd机制：反向传播一切
5 使用神经网络来拟合数据
5.1 人工神经元
5.2 PyTorch中的nn模块
5.3 nn.Module的分类
 

本书现在地址：

https://pytorch.org/assets/deep-learning/Deep-Learning-with-PyTorch.pdf

 

相关文章

人工智能技术分析

人工智能 机器学习 深度学习

第六届世界互联网大会乌镇峰会简评

华为人工智能战略分析：2019华为全连接大会

阿里含光 VS 华为昇腾：AI芯片路在何方

AI人工智能三要素：数据、算力和算法

计算机视觉(CV)任务介绍：分类、检测、分割、超分、关键点识别、图像生成、度量学习

理解深度学习中的分类网络：LeNet

 

PyTorch 1.3

tf.GradientTape详解：梯度求解利器

TensorFlow高阶API和低阶API

TensorFlow静态图和eager机制

TensorFlow 2.0

TensorFlow高阶API和低阶API

TensorFlow调试技巧

TensorFlow与PyTorch对比

PyCharm调试技巧

解读谷歌的AI杀手级专利：Dropout

 

AutoML算法分析（一）：基于强化学习的算法

SENet详解

 

关于我

缘起：新的开始

 

公众号持续更新，欢迎订阅。

 

AI人工智能与大数据