《PyTorch深度学习入门与实战（案例视频精讲）》是基于PyTorch的深度学习入门和实战，结合实际的深度学习案例，由浅入深地介绍PyTorch在计算机视觉和自然语言处理的相关应用。本书在内容上循序渐进，先介绍了PyTorch的一系列使用方式，然后结合图像分类、去噪和文本分类，介绍如何利用PyTorch对深度模型进行可视化、建立卷积神经网络、循环神经网络、自编码网络等。根据真实的图像数据，介绍如何对图像风格迁移模型进行训练，利用计算机视觉中的目标检测和语义分隔问题的例子，介绍PyTorch中已经预训练好模型的使用，针对图神经网络学习，介绍如何利用图卷积网络进行半监督深度学习。
《PyTorch深度学习入门与实战（案例视频精讲）》还提供了原始程序和数据集、程序的讲解视频等配套资源供读者下载使用。书中的程序根据每个小节进行划分，步骤讲解详细透彻，并以Notebook的形式方便读者运行和查阅。本书在对使用的模型进行原理介绍的同时，更注重于实战。
《PyTorch深度学习入门与实战（案例视频精讲）》非常适合没有深度学习基础的读者，学习完本书后，读者将具备搭建自己的深度学习环境、建立图像识别模型、图像分割模型、图像生成和自然语言处理等模型的能力，并且会对深度学习在各个领域的应用有一定的理解。

余本国，博士，副教授，硕士研究生导师。2001年毕业于石河子大学数学系，同年到中北大学（原华北工学院）任教，主讲线性代数、高等数学、微积分、概率统计、数学实验、Python语言、大数据分析基础等课程。2012年到加拿大York University做访问学者。现工作于海南医学院生物医学信息与工程学院。出版有个人著作《感受加拿大游学周记》《Python数据分析基础》《基于Python的大数据分析基础及实战》《Python在机器学习中的应用》等。

第1章 深度学习和PyTorch
1.1 机器学习
1.2 深度学习
1.3 流行的深度学习框架
1.4 Python中常用的库及模块
1.5 本章小结
第2章 PyTorch快速入门
2.1 PyTorch安装
2.2 张量
2.2.1 张量的数据类型
2.2.2 张量的生成
2.2.3 张量操作
2.2.4 张量计算
2.3 PyTorch中的自动微分
2.4 torch.nn模块
2.4.1 卷积层
2.4.2 池化层
2.4.3 激活函数
2.4.4 循环层
2.4.5 全连接层
2.5 PyTorch中数据操作和预处理
2.5.1 高维数组
2.5.2 图像数据
2.5.3 文本数据
2.6 本章小结
第3章 PyTorch深度神经网络及训练
3.1 随机梯度下降算法
3.2 PyTorch中的优化器
3.3 PyTorch中的损失函数
3.4 防止过拟合
3.4.1 过拟合的概念
3.4.2 防止过拟合的方法
3.5 网络参数初始化
3.5.1 常用的参数初始化方法
3.5.2 参数初始化方法应用实例
3.6 PyTorch中定义网络的方式
3.6.1 数据准备
3.6.2 网络定义与训练方式1
3.6.3 网络定义与训练方式2
3.7 PyTorch模型保存和加载方法
3.8 本章小结
第4章 基于PyTorch的相关可视化工具
4.1 网络结构的可视化
4.1.1 准备网络和数据
4.1.2 HiddenLayer库可视化网络
4.1.3 PyTorchViz库可视化网络
4.2 训练过程的可视化
4.2.1 tensorboardX中的常用方法
4.2.2 利用tensorboardX进行可视化
4.2.3 查看tensorbomdx可视化结果
4.2.4 HiddenLayer库可视化训练过程
4.3 使用Visdom进行可视化
4.3.1 Visdom库中常用的可视化方法
4.3.2 使用Visdom进行数据可视化
4.3.3 查看Visdom数据可视化图像
4.4 本章小结
第5章 全连接神经网络
5.1 全连接神经网络简介
5.2 MLP分类模型
5.2.1 数据准备和探索
5.2.2 搭建网络并可视化
5.2.3 使用未预处理的数据训练模型
5.2.4 使用预处理后的数据训练模型
5.2.5 获取中间层的输出并可视化
5.3 MLP回归模型
5.3.1 房价数据准备
5.3.2 搭建网络预测房价
5.4 本章小结
第6章 卷积神经网络
6.1 卷积神经网络基本单元
6.2 经典的卷积神经网络
6.2.1 LeNet-5网络
6.2.2 AlexNet网络
6.2.3 VGG网络结构
6.2.4 GoogLeNet
6.2.5 TextCNN
6.3 卷积神经网络识别Fashion-MNIST
6.3.1 图像数据准备
6.3.2 卷积神经网络的搭建
6.3.3 卷积神经网络训练与预测
6.3.4 空洞卷积神经网络的搭建
6.3.5 空洞卷积神经网络训练与预测
6.4 对预训练好的卷积网络微调
6.4.1 微调预训练的VGG16网络
6.4.2 准备新网络需要的数据
6.4.3 微调网络的训练和预测
6.5 卷积神经网络进行情感分类
6.5.1 文本数据预处理与探索
6.5.2 TextCNN网络的建立和预测
6.6 使用预训练好的卷积网络
6.6.1 获取中间特征进行可视化
6.6.2 预训练的VGG16预测图像
6.6.3 可视化图像的类激活热力图
6.7 本章小结
第7章 循环神经网络
7.1 常见的循环神经网络结构
7.1.1 RNN
7.1.2 LSTM
7.1.3 GRU
7.2 RNN手写字体分类
7.2.1 数据准备
7.2.2 搭建RNN分类器
7.2.3 RNN分类器的训练与预测
7.3 LSTM进行中文新闻分类
7.3.1 中文数据读取与预处理
7.3.2 网络训练数据的导入与探索
7.3.3 搭建LSTM网络
7.3.4 LSTM网络的训练
7.3.5 LSTM网络预测
7.3.6 可视化词向量的分布
7.4 GRU网络进行情感分类
7.4.1 文本数据准备
7.4.2 搭建GRU网络
7.4.3 GRU网络的训练与预测
7.5 本章小结
第8章 自编码模型
8.1 自编码模型简介
8.2 基于线性层的自编码模型
8.2.1 自编码网络数据准备
8.2.2 自编码网络的构建
8.2.3 自编码网络的训练
8.2.4 自编码网络的数据重构
8.2.5 网络的编码特征可视化
8.2.6 SVM作用于编码特征
8.3 卷积自编码图像去噪
8.3.1 去噪自编码网络的数据准备
8.3.2 基于转置卷积解码的网络搭建
8.3.3 基于转置卷积解码的网络训练与预测
8.3.4 基于上采样和卷积解码的网络搭建
8.3.5 基于上采样和卷积解码的网络训练与预测
8.4 本章小结
第9章 图像风格迁移
9.1 常用的图像风格迁移方式
9.1.1 固定风格固定内容的普通风格迁移
9.1.2 固定风格任意内容的快速风格迁移
9.2 固定风格固定内容的普通风格迁移实战
9.2.1 准备VGG19网络
9.2.2 图像数据准备
9.2.3 图像的输出特征和Gram矩阵的计算
9.2.4 进行图像风格迁移
9.3 固定风格任意内容的快速风格迁移