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



作者介绍
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。