前言
第一部分 PyTorch基础
第1章 Numpy基础
1.1 生成Numpy数组
1.1.1 从已有数据中创建数组
1.1.2 利用random模块生成数组
1.1.3 创建特定形状的多维数组
1.1.4 利用arange、linspace函数生成数组
1.2 获取元素
1.3 Numpy的算术运算
1.3.1 对应元素相乘
1.3.2 点积运算
1.4 数组变形
1.4.1 更改数组的形状
1.4.2 合并数组
1.5 批量处理
1.6 通用函数
1.7 广播机制
1.8 小结
第2章 PyTorch基础
2.1 为何选择PyTorch?
2.2 安装配置
2.2.1 安装CPU版PyTorch
2.2.2 安装GPU版PyTorch
2.3 Jupyter Notebook环境配置
2.4 Numpy与Tensor
2.4.1 Tensor概述
2.4.2 创建Tensor
2.4.3 修改Tensor形状
2.4.4 索引操作
2.4.5 广播机制
2.4.6 逐元素操作
2.4.7 归并操作
2.4.8 比较操作
2.4.9 矩阵操作
2.4.10 PyTorch与Numpy比较
2.5 Tensor与Autograd
2.5.1 自动求导要点
2.5.2 计算图
2.5.3 标量反向传播
2.5.4 非标量反向传播
2.6 使用Numpy实现机器学习
2.7 使用Tensor及Antograd实现机器学习
2.8 使用TensorFlow架构
2.9 小结
第3章 PyTorch神经网络工具箱
3.1 神经网络核心组件
……
第4章 PyTorch数据处理工具箱
第二部分 深度学习基础
第5章 机器学习基础
第6章 视觉处理基础
第7章 自然语言处理基础
第8章 生成式深度学习
第三部分 深度学习实践
第9章 人脸检测与识别
第10章 迁移学习实例
第11章 神经网络机器翻译实例
第12章 实战生成式模型
第13章 Caffe2模型迁移实例
第14章 AI新方向:对抗攻击
第15章 强化学习
第16章 深度强化学习
附录A PyTorch0.4版本变更
附录B AI在各行业的最新应用