封面
版权信息
版权声明
内容提要
关于作者与译者
关于封面插图
译者序
序
前 言
致 谢
关于本书
资源与支持
第1部分 PyTorch核心
第1章 深度学习和PyTorch库简介
1.1 深度学习革命
1.2 PyTorch深度学习
1.3 为什么用PyTorch
1.4 PyTorch如何支持深度学习概述
1.5 硬件和软件要求
1.6 练习题
1.7 本章小结
第2章 预训练网络
2.1 一个识别图像主体的预训练网络
2.2 一个足以以假乱真的预训练模型
2.3 一个描述场景的预训练网络
2.4 Torch Hub
2.5 总结
2.6 练习题
2.7 本章小结
第3章 从张量开始
3.1 实际数据转为浮点数
3.2 张量：多维数组
3.3 索引张量
3.4 命名张量
3.5 张量的元素类型
3.6 张量的API
3.7 张量的存储视图
3.8 张量元数据：大小、偏移量和步长
3.9 将张量存储到GPU
3.10 NumPy互操作性
3.11 广义张量也是张量
3.12 序列化张量
3.13 总结
3.14 练习题
3.15 本章小结
第4章 使用张量表征真实数据
4.1 处理图像
4.2 三维图像：体数据
4.3 表示表格数据
4.4 处理时间序列
4.5 表示文本
4.6 总结
4.7 练习题
4.8 本章小结
第5章 学习的机制
5.1 永恒的建模经验
5.2 学习就是参数估计
5.3 减少损失是我们想要的
5.4 沿着梯度下降
5.5 PyTorch自动求导：反向传播的一切
5.6 总结
5.7 练习题
5.8 本章小结
第6章 使用神经网络拟合数据
6.1 人工神经网络
6.2 PyTorch nn模块
6.3 最终完成一个神经网络
6.4 总结
6.5 练习题
6.6 本章小结
第7章 区分鸟和飞机：从图像学习
7.1 微小图像数据集
7.2 区分鸟和飞机
7.3 总结
7.4 练习题
7.5 本章小结
第8章 使用卷积进行泛化
8.1 卷积介绍
8.2 卷积实战
8.3 子类化nn.Module
8.4 训练我们的convnet
8.5 模型设计
8.6 总结
8.7 练习题
8.8 本章小结
第2部分 从现实世界的图像中学习：肺癌的早期检测
第9章 使用PyTorch来检测癌症
9.1 用例简介
9.2 为一个大型项目做准备
9.3 到底什么是CT扫描
9.4 项目：肺癌的端到端检测仪
9.5 总结
9.6 本章小结
第10章 将数据源组合成统一的数据集
10.1 原始CT数据文件
10.2 解析LUNA的标注数据
10.3 加载单个CT扫描
10.4 使用病人坐标系定位结节
10.5 一个简单的数据集实现
10.6 总结
10.7 练习题
10.8 本章小结
第11章 训练分类模型以检测可疑肿瘤
11.1 一个基本的模型和训练循环
11.2 应用程序的主入口点
11.3 预训练和初始化
11.4 我们的首次神经网络设计
11.5 训练和验证模型
11.6 输出性能指标
11.7 运行训练脚本
11.8 评估模型：得到99.7%的正确率是否意味着我们完成了任务
11.9 用TensorBoard绘制训练指标
11.10 为什么模型不学习检测结节
11.11 总结
11.12 练习题
11.13 本章小结
第12章 通过指标和数据增强来提升训练
12.1 高级改进计划
12.2 好狗与坏狗：假阳性与假阴性
12.3 用图表表示阳性与阴性
12.4 理想的数据集是什么样的
12.5 重新审视过拟合的问题
12.6 通过数据增强防止过拟合
12.7 总结
12.8 练习题
12.9 本章小结
第13章 利用分割法寻找可疑结节
13.1 向我们的项目添加第2个模型
13.2 各种类型的分割
13.3 语义分割：逐像素分类
13.4 更新分割模型
13.5 更新数据集以进行分割
13.6 更新用于分割的训练脚本
13.7 结果
13.8 总结
13.9 练习题
13.10 本章小结
第14章 端到端的结节分析及下一步的方向
14.1 接近终点线
14.2 验证集的独立性
14.3 连接CT分割和候选结节分类
14.4 定量验证
14.5 预测恶性肿瘤
14.6 在诊断时所见的内容
14.7 接下来呢？其他灵感和数据的来源
14.8 总结
14.9 练习题
14.10 本章小结
第3部分 部署
第15章 部署到生产环境
15.1 PyTorch模型的服务
15.2 导出模型
15.3 与PyTorch JIT编译器交互
15.4 LibTorch：C++中的PyTorch
15.5 部署到移动设备
15.6 新兴技术：PyTorch模型的企业服务
15.7 总结
15.8 练习题
15.9 本章小结
更新时间：2022-02-25 15:15:25
完结共159章
倒序