人工智能应用已经遍及各行各业，而机器学习和深度学习作为其中的重要组成部分也越来越火热。《PyTorch深度学习模型开发实战》就以近年来非常流行的Python机器学习库PyTorch为工具，对深度学习中的迁移学习、图像分类、物体检测、语义分割、姿势识别、图像生成、异常检测、自然语言处理以及视频分类等各种任务进行了详细讲解及深度学习模型的编程实现。这些任务都是为帮助读者积累实践经验，以便能在实际开发中灵活运用深度学习技术精挑细选出来的。读者只要亲自动手，依次对各种任务进行编程实践，并彻底理解其中的原理，就一定能逐步掌握复杂深度学习的应用方法。
《PyTorch深度学习模型开发实战》内容丰富全面，讲解通俗易懂，特别适合作为有一定基础的AI工程师提升技能、中高级机器学习/深度学习工程师巩固相关基础的参考书籍。

小川雄太郎，东京大学博士，曾在东京大学从事脑机能测量及计算论的神经科学研究。现就职于株式会社电通国际信息服务技术开发部，从事机器学习相关技术的研究开发。

第1章 图像分类与迁移学习（VGG）
1.1 已完成训练的VGG模型的使用方法
1.1.1 ImageNet数据集与VGG-16模型
1.1.2 文件夹的准备
1.1.3 准备工作
1.1.4 软件包的导入及PyTorch版本的确认
1.1.5 VGG-16已完成训练模型的载入
1.1.6 输入图片的预处理类的编写
1.1.7 根据输出结果预测标签的后处理类的编写
1.1.8 使用已完成学习的VGG模型对手头上的图片进行预测
1.2 使用PyTorch进行深度学习的实现流程
1.3 迁移学习的编程实现
1.3.1 迁移学习
1.3.2 准备文件夹
1.3.3 准备工作
1.3.4 实现代码的初始设置
1.3.5 创建Dataset
1.3.6 创建DataLoader
1.3.7 创建网络模型
1.3.8 定义损失函数
1.3.9 设定最优化算法
1.3.10 学习和验证的施行
1.4 亚马逊AWS的GPU云计算服务器的使用方法
1.4.1 使用云服务器的理由
1.4.2 创建AWS账号
1.4.3 AWS管理控制台
1.4.4 AWS的EC2虚拟主机的创建方法
1.4.5 EC2服务器的访问与Anaconda的操作
1.5 微调的实现
1.5.1 微调
1.5.2 准备文件夹及事先准备
1.5.3 创建Dataset和DataLoader
1.5.4 创建网络模型
1.5.5 定义损失函数
1.5.6 设置最优化算法
1.5.7 学习和验证的施行
1.5.8 保存和读取训练完毕的网络
小结
第2章 物体检测（SSD）
2.1 物体检测概述
2.1.1 物体检测概要
2.1.2 物体检测任务的输入与输出
2.1.3 VOC数据集
2.1.4 基于SSD实现物体检测的流程
2.2 Dataset的实现
2.2.1 重温在PyTorch中实现深度学习的流程
2.2.2 文件夹的准备
2.2.3 准备工作
2.2.4 创建图像数据、标注数据的文件路径列表
2.2.5 将xml格式的标注数据转换为列表
2.2.6 创建实现图像与标注的预处理DataTransform类
2.2.7 创建Dataset
2.3 DataLoader的实现
2.4 网络模型的实现
2.4.1 SSD网络模型概要
2.4.2 vgg模块的实现
2.4.3 extras模块的实现
2.4.4 loc模块与conf模块的实现
2.4.5 L2Norm层的实现
2.4.6 Default Box的实现
2.4.7 SSD类的实现
2.5 正向传播函数的实现
2.5.1 decode函数的实现
2.5.2 Non-Maximum Suppression函数的实现
2.5.3 Detect类的实现
2.5.4 SSD模块的实现
2.6 损失函数的实现
2.6.1 运用了jaccard系数的match函数的行为
2.6.2 难分样本挖掘
2.6.3 SmoothL1Loss函数与交叉熵误差函数
2.6.4 SSD损失函数MultiBoxLoss类的实现
……
第3章 语义分割（PSPNet）
第4章 姿势识别（OpenPose）
第5章 基于GAN的图像生成（DCGAN、Self-Attention GAN）
第6章 基于GAN的异常检测（AnoGAN、Efficient GAN）
第7章 基于自然语言处理的情感分析（Transformer）
第8章 基于自然语言处理的情感分析（BERT）
第9章 视频分类（3DCNN、ECO）
后记