·学习如何在生产环境部署深度学习模型。
·研究多家靠前公司的PyTorch用例。
·学习如何对图像应用迁移学习。
·使用Wikipedia上训练的一个模型应用前沿的NLP技术。
·使用PyTorch的torchaudio库用一个基于卷积的模型完成音频分类。
·使用TensorBoard和火焰图调试PyTorch模型。
·用Docker容器和Google Cloud上运行的Kubernetes集群在生产环境中部署PyTorch应用。

伊恩·波恩特（Ian Pointer）是一位数据工程师，致力于为多个财富100强客户提供机器学习解决方案（包括深度学习技术）。他目前任职于Lucidworks，从事前沿NLP应用和工程的研究。

前言 1
章 PyTorch 入门 9
组装定制深度学习计算机 9
GPU 10
CPU/ 主板 10
RAM 11
存储 11
使用云的深度学习 11
Google Colaboratory 12
云提供商 13
要使用哪个云提供商？ 16
使用Jupyter Notebook 17
从头安装PyTorch 18
下载CUDA 18
Anaconda 19
终于要安装PyTorch（和Jupyter Notebook）了! 19
张量 20
张量操作 21
张量广播 24
小结 24
延伸阅读 25
第2章 用PyTorch 进行图像分类 27
我们的分类问题 27
传统挑战 29
首先需要数据 29
PyTorch 和数据加载器 30
建立一个训练数据集 31
建立验证和测试数据集 33
终于要建立一个神经网络了 34
激活函数 35
创建一个网络 36
损失函数 37
优化 37
训练 40
要求使用GPU 41
综合 41
预测 43
模型保存 44
小结 45
延伸阅读 46
第3章 卷积神经网络 47
我们的个卷积模型 47
卷积 49
池化 52
Dropout 53
CNN 架构历史 54
AlexNet 54
Inception/GoogLeNet55
VGG 56
ResNet 58
还有其他架构 59
PyTorch 中使用预训练模型 59
分析模型的结构 60
BatchNorm 63
要使用哪个模型 63
一站式模型库：PyTorch Hub 64
小结 65
延伸阅读 65
第4章 迁移学习和其他技巧 67
用ResNet 迁移学习 67
查找学习率 69
差分学习率 72
数据增强 74
Torchvision 转换 75
颜色空间和Lambda 转换 80
定制转换类82
从小开始，逐步变大 83
组合 84
小结 85
延伸阅读 85
第5章 文本分类 87
循环神经网络 87
长短期记忆网络 90
门控循环单元 91
biLSTM 92
嵌入 93
torchtext 95
获得数据：来自推特 96
定义字段 98
建立单词表100
创建模型 102
更新训练循环 103
推文分类 104
数据增强 105
随机插入 106
随机删除 106
随机交换 107
回译 107
增强和torchtext 109
迁移学习？109
小结 109
延伸阅读 110
第6章 声音之旅 113
声音 113
ESC-50 数据集 115
得到数据集 115
在Jupyter 中播放音频 115
探索ESC-50 116
SoX 和LibROSA 117
torchaudio 118
构建一个ESC-50 数据集 119
用于ESC-50 的一个CNN 模型 121
转入频域 123
梅尔声谱图124
一个新数据集 126
一个微调的ResNet 129
查找学习率131
音频数据增强 132
torchaudio 转换 133
SoX 音效链 133
SpecAugment 135
更多试验 140
小结 140
延伸阅读 141
第7章 调试PyTorch 模型 143
凌晨3 点，你的数据在做什么 143
TensorBoard 144
安装TensorBoard 144
向TensorBoard 发送数据 145
PyTorch 钩子 149
均值和标准差绘图 150
类激活映射152
火焰图 154
安装py-spy 157
读火焰图 158
修正一个很慢的转换 159
调试GPU 问题 163
检查你的GPU 163
梯度检查点165
小结 167
延伸阅读 168
第8章 生产环境中使用PyTorch 169
提供模型服务 169
构建一个Flask 服务 170
设置模型参数 173
建立Docker 容器 174
本地与云存储 177
日志和遥测180
在Kubernetes 上部署 181
使用Google Kubernetes Engine 部署 181
创建一个k8s 集群 182
扩缩服务 183
更新和清理184
TorchScript 185
跟踪 185
脚本 188
TorchScript 限制 190
使用libTorch 193
得到libTorch 和Hello World 193
导入一个TorchScript 模型 195
小结 196
延伸阅读 197
第9章 PyTorch 的广阔世界 199
数据增强：混合和平滑 199
mixup 199
标签平滑 204
计算机，提高 205
超分辨率介绍 206
GAN 介绍 209
伪造者与评判者 209
训练GAN 210
模式坍塌的危险 212
ESRGAN 212
图像检测的更多探索 213
对象检测 214
Faster R-CNN 和Mask R-CNN 216
对抗样本 218
黑盒攻击 221
防范对抗攻击 222
不只是视觉：Transformer 架构 222
注意力 223
Attention Is All You Need 224
BERT 225
FastBERT 225
GPT-2 227
用GPT-2 生成文本 228
ULMFiT 230
使用哪一个模型 233
小结 233
延伸阅读 234
作者介绍 237
封面介绍 237