书名：PyTorch深度学习实战  
定*：119.9  
ISBN：9787**5577672  
作者：伊莱·史蒂文斯等  
版次：第*版  
出版时间：2022-02  

内容提要：  
虽然很多深度学习工具*使用Python，但PyTorch 库是真正具备Python 风格的。对于任何了解NumPy 和scikit-learn 等工具的人来说，上手PyTorch 轻而易举。PyTorch 在*牺牲*级*性的情况下简化了深度学习，它非常适合构建快速模型，并且可以平稳地从个人应用扩展到企业级应用。由于像苹果、Facebook和摩根大通这样的公司*使用PyTorch，所以当你掌握了PyTorth，*会拥有更多的职业选择。 本书是教你使用 PyTorch *建*经网络和深度学习系统的实用指南。它帮助读者快速从零开始构建*个真实示例：肿瘤图像分类器。在此过程中，它涵盖了整个深度学习管道的关键实践，*括 PyTorch张量 API、用 Python 加载数据、监控训练以及将结果进行可视化展示。 本书主要内容： （*）训练深层*经网络； （2）实现模块和损失函数； （3）使用 PyTorch Hub 预先训练的模型； （4）探索在 Jupyter Notebooks 中编写示例代码。 本书适用于对深度学习感兴趣的 Python 程序员。了解深度学习的基础知识对阅读本书有*定的帮助，但读者*须具有使用 PyTorch 或其他深度学习框架的经验。  



作者简介：  
作者 伊莱·史蒂文斯（Eli Stevens）职业生涯的大*分时间*在美*硅谷的初*公司工作，从软件工程师（网络设备制造业）到*席技术官（开发肿瘤放疗软件）。在本书出版时，他正在汽车自动驾驶行业从事机器学习相关工作。 卢卡·安蒂加（Luca Antiga）于2* 世纪初担任生物医学工程研究员。20*0 年到2020 年间，他是*家人工智能工程公司的联合*始人和*席技术官。他参与了多个开源项目，*括PyTorch 的核心模块。最近，他作为联合*始人*建了*家总*位于美*的初*公司，*注于数据定义软件的基础设施。 托马斯·菲曼（Thomas Viehmann）是*名德*慕尼黑的机器学习和PyTorch 的*业培训师和顾问，也是PyTorch 核心开发人员。拥有数学博士学位的他*畏惧理论，擅长将理论应用于实际的计算挑战。 译者 牟大恩，武汉大学硕士研究生毕业，曾先后在网易杭州研究院、*酷土豆集团、海通证券总 *负责技术研发及系统架构设计工作，目前任职于东方证券资产管理有限公司。他有多年的Java 开发及系统设计经验，*注于互联网金融及大数据应用相关*域，热爱技术，喜欢钻研前沿技术， 是机器学习及深度学习的深度爱好者。近年来著有《Kafka 入门与实践》，译有《Kafka Streams 实战》，已提交技术发明*利申请两项。  

目录：  
第 **分　PyTorch核心  
第　*章 深度学习和PyTorch库简介　3  
*.*　深度学习革命　4  
*.2　PyTorch深度学习　5  
*.3　为什么用PyTorch　6  
*.4　PyTorch如何支持深度学习概述　8  
*.5　硬件和软件要求　*0  
*.6　练习题　*2  
*.7　本章小结　*3  

第　2章 预训练网络　*4  
2.*　*个识别图像主体的预训练网络　*5  
2.*.*　获取*个预先训练好的网络用于图像识别　*6  
2.*.2　AlexNet　*7  
2.*.3　ResNet　*9  
2.*.4　准备运行　*9  
2.*.5　运行模型　2*  
2.2　*个足以以假乱真的预训练模型　23  
2.2.*　GAN游戏　24  
2.2.2　CycleGAN　25  
2.2.3　*个把马变成斑马的网络　26  
2.3　*个描述场景的预训练网络　29  
2.4　Torch Hub　3*  
2.5　总结　32  
2.6　练习题　32  
2.7　本章小结　33  

第3章　从张量开始　34  
3.*　实际数据转为浮点数　34  
3.2　张量：多维数组　36  
3.2.*　从Python列表到PyTorch张量　36  
3.2.2　构造第 *个张量　37  
3.2.3　张量的本质　37  
3.3　索引张量　40  
3.4　命名张量　40  
3.5　张量的元素类型　43  
3.5.*　使用dtype*数字类型　43  
3.5.2　适合任何场合的dtype　44  
3.5.3　管理张量的dtype属性　44  
3.6　张量的API　45  
3.7　张量的存储视图　46  
3.7.*　索引存储区　47  
3.7.2　修改存储值：*地操作　48  
3.8　张量元数据：大小、偏移量和步长　48  
3.8.*　另*个张量的存储视图　49  
3.8.2　*复制转置　5*  
3.8.3　*维转置　52  
3.8.4　连续张量　53  
3.9　将张量存储到GPU　55  
3.*0　NumPy互操作性　57  
3.**　广义张量也是张量　57  
3.*2　序列化张量　58  
3.*3　总结　60  
3.*4　练习题　60  
3.*5　本章小结　60  

第4章　使用张量表征真实数据　6*  
4.*　处理图像　62  
4.*.*　添加颜色通道　62  
4.*.2　加载图像文件　63  
4.*.3　改变布局　63  
4.*.4　正规化数据　64  
4.2　三维图像：体数据　65  
4.3　表示表格数据　66  
4.3.*　使用真实的数据集　67  
4.3.2　加载葡萄酒数据张量　68  
4.3.3　表示分数　70  
4.3.4　*热编码　70  
4.3.5　何时分类　72  
4.3.6　寻找阈值　73  
4.4　处理时间序列　75  
4.4.*　增加时间维度　76  
4.4.2　按时间段调整数据　77  
4.4.3　准备训练　79  
4.5　表示文本　8*  
4.5.*　将文本转化为数字　8*  
4.5.2　*热编码字符　82  
4.5.3　*热编码整个词　83  
4.5.4　文本嵌入　85  
4.5.5　作为蓝图的文本嵌入　87  
4.6　总结　88  
4.7　练习题　88  
4.8　本章小结　88  

第5章　学习的机制　90  
5.*　*恒的建模经验　90  
5.2　学习*是参数估计　92  
5.2.*　*个热点问题　93  
5.2.2　收集*些数据　93  
5.2.3　可视化数据　94  
5.2.4　选择线性模型*试　94  
5.3　减少损失是我们想要的　95  
5.4　沿着梯度下降　98  
5.4.*　减小损失　99  
5.4.2　进行分析　99  
5.4.3　迭代以适应模型　*0*  
5.4.4　归*化输入　*04  
5.4.5　再次可视化数据　*06  
5.5　PyTorch自动求导：反向传播的*切　*07  
5.5.*　自动计算梯度　*07  
5.5.2　*化器　***  
5.5.3　训练、验证和过拟合　**5  
5.5.4　自动求导更新及关闭　*20  
5.6　总结　*2*  
5.7　练习题　*22  
5.8　本章小结　*22  

第6章　使用*经网络拟合数据　*23  
6.*　人工*经网络　*24  
6.*.*　组成*个多层网络　*25  
6.*.2　理解误差函数　*25  
6.*.3　我们需要的只是激活函数　*26  
6.*.4　更多激活函数　*28  
6.*.5　选择最佳激活函数　*28  
6.*.6　学习对于*经网络意味着什么　*29  
6.2　PyTorch nn模块　*3*  
6.2.*　使用__call__()而*是forward()　*32  
6.2.2　回到线性模型　*33  
6.3　最*完成*个*经网络　*37  
6.3.*　替换线性模型　*37  
6.3.2　检查参数　*38  
6.3.3　与线性模型对比　*4*  
6.4　总结　*42  
6.5　练习题　*42  
6.6　本章小结　*42  

第7章　区分鸟和飞机：从图像学习　*43  
7.*　微小图像数据集　*43  
7.*.*　下载CIFAR-*0　*44  
7.*.2　Dataset类　*45  
7.*.3　Dataset变换　*46  
7.*.4　数据归*化　*49  
7.2　区分鸟和飞机　*50  
7.2.*　构建数据集　*5*  
7.2.2　*个*连接模型　*52  
7.2.3　分类器的输出　*53  
7.2.4　用概率表示输出　*54  
7.2.5　分类的损失　*57  
7.2.6　训练分类器　*59  
7.2.7　*连接网络的局限　*65  
7.3　总结　*67  
7.4　练习题　*67  
7.5　本章小结　*68  

第8章　使用卷积进行泛化　*69  
8.*　卷积介绍　*69  
8.2　卷积实战　*72  
8.2.*　填充边界　*73  
8.2.2　用卷积检测*征　*75  
8.2.3　使用深度和池化技术进*步研究　*77  
8.2.4　为我们的网络整合*切　*79  
8.3　子类化nn.Module　*8*  
8.3.*　将我们的网络作为*个nn.Module　*82  
8.3.2　PyTorch如何跟踪参数和子模块　*83  
8.3.3　函数式API　*84  
8.4　训练我们的convnet　*85  
8.4.*　测量*度　*87  
8.4.2　*存并加载我们的模型　*88  
8.4.3　在GPU上训练　*88  
8.5　模型设计　*90  
8.5.*　增加内存容量：宽度　*9*  
8.5.2　帮助我们的模型收敛和泛化：正则化　*92  
8.5.3　深入学习更复杂的结构：深度　*95  
8.5.4　本节设计的比较　200  
8.5.5　已经过时了　20*  
8.6　总结　20*  
8.7　练习题　20*  
8.8　本章小结　202  

第　2*分 从现实*的图像中学习：肺癌的早期检测  
第9章　使用PyTorch来检测癌症　205  
9.*　用例简介　205  
9.2　为*个大型项目做准备　206  
9.3　到底什么是CT扫描　207  
9.4　项目：肺癌的端到端检测仪　2*0  
9.4.*　为什么我们*把数据扔给*经网络直到它起作用呢　2*3  
9.4.2　什么是结节　2*6  
9.4.3　我们的数据来源：LUNA大挑战赛　2*7  
9.4.4　下载LUNA数据集　2*8  
9.5　总结　2*9  
9.6　本章小结　2*9  

第　*0章 将数据源组合成统*的数据集　220  
*0.*　原始CT数据文件　222  
*0.2　解析LUNA的标注 数据　222  
*0.2.*　训练集和验证集　224  
*0.2.2　统*标注和候选 数据　225  
*0.3　加载单个CT扫描　227  
*0.4　使用病人坐标系定位结节　230  
*0.4.*　病人坐标系　230  
*0.4.2　CT扫描形状和体素大小　232  
*0.4.3　毫米和体素地址之间的转换　233  
*0.4.4　从CT扫描中取出*个结节　234  
*0.5　*个简单的数据集实现　235  
*0.5.*　使用getCtRawCandidate()函数缓存候选数组　238  
*0.5.2　在LunaDataset.__init__()中构造我们的数据集　238  
*0.5.3　分隔训练集和验证集　239  
*0.5.4　呈现数据　240  
*0.6　总结　24*  
*0.7　练习题　24*  
*0.8　本章小结　242  

第　**章 训练分类模型以检测可疑肿瘤　243  
**.*　*个基本的模型和训练循环　243  
**.2　应用程序的主入口点　246  
**.3　预训练和初始化　247  
**.3.*　初始化模型和*化器　247  
**.3.2　数据加载器的维护和供给　249  
**.4　我们的*次*经网络设计　25*  
**.4.*　核心卷积　25*  
**.4.2　完整模型　254  
**.5　训练和验证模型　257  
**.5.*　computeBatchLoss()函数　258  
**.5.2　类似的验证循环　260  
**.6　输出性能指标　26*  
**.7　运行训练脚本　265  
**.7.*　训练所需的数据　266  
**.7.2　插曲：enumerateWithEstimate()函数　266  
**.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　268  
**.9　用TensorBoard绘制训练指标　269  
**.9.*　运行TensorBoard　269  
**.9.2　增加TensorBoard对指标记录函数的支持　272  
**.*0　为什么模型*学习检测结节　274  
**.**　总结　275  
**.*2　练习题　275  
**.*3　本章小结　275  

第　*2章 通过指标和数据增强来提*训练　277  
*2.*　*级改进计划　278  
*2.2　好狗与坏狗：假阳性与假阴性　279  
*2.3　用图表表示阳性与阴性　280  
*2.3.*　召回率是Roxie的强项　282  
*2.3.2　*度是Preston的强项　283  
*2.3.3　在logMetrics()中实现*度和召回率　284  
*2.3.4　我们的**性能指标：F*分数　285  
*2.3.5　我们的模型在新指标下表现如何　289  
*2.4　理想的数据集是什么样的　290  
*2.4.*　使数据看起来更理想化　292  
*2.4.2　使用平衡的LunaDataset与之前的数据集运行情况对比　296  
*2.4.3　认识过拟合　298  
*2.5　重新审视过拟合的问题　300  
*2.6　通过数据增强*止过拟合　300  
*2.6.*　具体的数据增强技术　30*  
*2.6.2　看看数据增强带来的改进　306  
*2.7　总结　308  
*2.8　练习题　308  
*2.9　本章小结　309  

第　*3章 利用分割法寻找可疑结节　3*0  
*3.*　向我们的项目添加第 2个模型　3*0  
*3.2　各种类型的分割　3*2  
*3.3　语义分割：逐像素分类　3*3  
*3.4　更新分割模型　3*7  
*3.5　更新数据集以进行分割　3*9  
*3.5.*　U-Net有非常具体的对输入大小的要求　320  
*3.5.2　U-Net对三维和二维数据的权衡　320  
*3.5.3　构建真实、有效的数据集　32*  
*3.5.4　实现Luna2dSegmentationDataset　327  
*3.5.5　构建训练和验证数据　33*  
*3.5.6　实现TrainingLuna2dSegmentationDataset　332  
*3.5.7　在GPU上增强数据　333  
*3.6　更新用于分割的训练脚本　335  
*3.6.*　初始化分割和增强模型　336  
*3.6.2　使用Adam*化器　336  
*3.6.3　骰子损失　337  
*3.6.4　将图像导入TensorBoard　340  
*3.6.5　更新指标日志　343  
*3.6.6　*存模型　344  
*3.7　结果　345  
*3.8　总结　348  
*3.9　练习题　348  
*3.*0　本章小结　349  

第　*4章 端到端的结节分析及下*步的方向　350  
*4.*　接近*点线　350  
*4.2　验证集的*立性　352  
*4.3　连接CT分割和候选结节分类　353  
*4.3.*　分割　354  
*4.3.2　将体素分组为候选结节　355  
*4.3.3　我们发现结节了吗？分类以减少假阳性　357  
*4.4　定量验证　360  
*4.5　预测恶性肿瘤　36*  
*4.5.*　获取恶性肿瘤信息　36*  
*4.5.2　曲线基线下的区域：按直径分类　362  
*4.5.3　重用预先存在的权重：微调　365  
*4.5.4　TensorBoard中的输出　370  
*4.6　在诊断时所见的内容　374  
*4.7　接下来呢？其他灵感和数据的来源　376  
*4.7.*　*止过拟合：更好的正则化　377  
*4.7.2　*细化训练数据　379  
*4.7.3　竞赛结果及研究论文　380  
*4.8　总结　38*  
*4.9　练习题　382  
*4.*0　本章小结　383  

第3*分　*署  
第　*5章 *署到生产环境　387  
*5.*　PyTorch模型的服务　388  
*5.*.*　支持Flask服务的模型　388  
*5.*.2　我们想从*署中得到的东西　390  
*5.*.3　批处理请求　39*  
*5.2　导出模型　395  
*5.2.*　PyTorch与ONNX的互操作性　396  
*5.2.2　PyTorch自己的导出：跟踪　397  
*5.2.3　具有跟踪模型的服务器　398  
*5.3　与PyTorch JIT编译器交互　398  
*5.3.*　*越*Python/PyTorch的期望是什么　399  
*5.3.2　PyTorch作为接口和后端的双重*性　400  
*5.3.3　TorchScript　400  
*5.3.4　为可追溯的差异编写脚本　404  
*5.4　LibTorch：C++中的PyTorch　405  
*5.4.*　从C++中运行JITed模型　405  
*5.4.2　从C++ API开始　408  
*5.5　*署到移动设备　4**  
*5.6　新兴技术：PyTorch  
　模型的企业服务　4*6  
*5.7　总结　4*6  
*5.8　练习题　4*6  
*5.9　本章小结　4*6