《PyTorch深度學(xué)習(xí)實戰(zhàn)》讀書筆記思維導(dǎo)圖

思維導(dǎo)圖PPT模板《PyTorch深度學(xué)習(xí)實戰(zhàn)》最新版讀書筆記，下載可以直接修改小結(jié)模型第章深度數(shù)據(jù)訓(xùn)練圖像神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)量結(jié)節(jié)損失掃描示例設(shè)計驗證腫瘤腳本項目本書關(guān)鍵字分析思維導(dǎo)圖01內(nèi)容提要致謝關(guān)于封面插圖關(guān)于本書目錄03020405資源與支持第2部分從現(xiàn)實世界的圖像中學(xué)習(xí)：肺癌的...第1部分PyTorch核心第3部分部署目錄070608內(nèi)容摘要雖然很多深度學(xué)習(xí)工具都使用Python，但PyTorch庫是真正具備Python風(fēng)格的。對于任何了解NumPy和scikit-learn等工具的人來說，上手PyTorch輕而易舉。PyTorch在不犧牲高級特性的情況下簡化了深度學(xué)習(xí)，它非常適合構(gòu)建快速模型，并且可以平穩(wěn)地從個人應(yīng)用擴展到企業(yè)級應(yīng)用。由于像蘋果、Facebook和摩根大通這樣的公司都使用PyTorch，所以當(dāng)你掌握了PyTorth，就會擁有更多的職業(yè)選擇。本書是教你使用PyTorch創(chuàng)建神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)系統(tǒng)的實用指南。它幫助讀者快速從零開始構(gòu)建一個真實示例：腫瘤圖像分類器。在此過程中，它涵蓋了整個深度學(xué)習(xí)管道的關(guān)鍵實踐，包括PyTorch張量API、用Python加載數(shù)據(jù)、監(jiān)控訓(xùn)練以及將結(jié)果進行可視化展示。本書主要內(nèi)容：（1）訓(xùn)練深層神經(jīng)網(wǎng)絡(luò)；（2）實現(xiàn)模塊和損失函數(shù)；（3）使用PyTorchHub預(yù)先訓(xùn)練的模型；（4）探索在JupyterNotebooks中編寫示例代碼。內(nèi)容提要翻譯者的水平太差了，感覺像是用百度翻譯直接弄出來的，一本好書就這么被糟蹋了，建議直接看英文原書吧。關(guān)于封面插圖感謝人郵的贈書。致謝推薦PyTorch初學(xué)者快速瀏覽閱讀，大概理解PyTorch包括哪些模塊。關(guān)于本書非常詳細，帶著一個完整明確的課題case，也附帶著完整的代碼，面向的讀者人群還是需要有一定的基礎(chǔ)。資源與支持能用也適合初學(xué)者去學(xué)習(xí)，偏向于技術(shù)，對于了解pytorch有幫助。第1部分PyTorch核心第1章深度學(xué)習(xí)和PyTorch庫簡介第2章預(yù)訓(xùn)練網(wǎng)絡(luò)第3章從張量開始第4章使用張量表征真實數(shù)據(jù)第1部分PyTorch核心第5章學(xué)習(xí)的機制第6章使用神經(jīng)網(wǎng)絡(luò)擬合數(shù)據(jù)第7章區(qū)分鳥和飛機：從圖像學(xué)習(xí)第8章使用卷積進行泛化第1部分PyTorch核心1.1深度學(xué)習(xí)革命1.2PyTorch深度學(xué)習(xí)1.3為什么用PyTorch1.4PyTorch如何支持深度學(xué)習(xí)概...第1章深度學(xué)習(xí)和PyTorch庫簡介1.5硬件和軟件要求1.7本章小結(jié)1.6練習(xí)題第1章深度學(xué)習(xí)和PyTorch庫簡介2.1一個識別圖像主體的預(yù)訓(xùn)練網(wǎng)絡(luò)2.2一個足以以假亂真的預(yù)訓(xùn)練模型2.3一個描述場景的預(yù)訓(xùn)練網(wǎng)絡(luò)2.4TorchHub第2章預(yù)訓(xùn)練網(wǎng)絡(luò)2.5總結(jié)2.7本章小結(jié)2.6練習(xí)題第2章預(yù)訓(xùn)練網(wǎng)絡(luò)3.1實際數(shù)據(jù)轉(zhuǎn)為浮點數(shù)3.2張量：多維數(shù)組3.3索引張量3.4命名張量3.5張量的元素類型3.6張量的API010302040506第3章從張量開始3.7張量的存儲視圖3.8張量元數(shù)據(jù)：大小、偏移量和步長3.9將張量存儲到GPU3.10NumPy互操作性3.11廣義張量也是張量3.12序列化張量010302040506第3章從張量開始3.13總結(jié)3.15本章小結(jié)3.14練習(xí)題第3章從張量開始4.1處理圖像4.2三維圖像：體數(shù)據(jù)4.3表示表格數(shù)據(jù)4.4處理時間序列第4章使用張量表征真實數(shù)據(jù)4.5表示文本4.6總結(jié)4.7練習(xí)題4.8本章小結(jié)第4章使用張量表征真實數(shù)據(jù)5.1永恒的建模經(jīng)驗5.2學(xué)習(xí)就是參數(shù)估計5.3減少損失是我們想要的5.4沿著梯度下降第5章學(xué)習(xí)的機制5.5PyTorch自動求導(dǎo)：反向傳播...5.6總結(jié)5.7練習(xí)題5.8本章小結(jié)第5章學(xué)習(xí)的機制6.1人工神經(jīng)網(wǎng)絡(luò)6.2PyTorchnn模塊6.3最終完成一個神經(jīng)網(wǎng)絡(luò)6.4總結(jié)6.5練習(xí)題6.6本章小結(jié)010302040506第6章使用神經(jīng)網(wǎng)絡(luò)擬合數(shù)據(jù)7.1微小圖像數(shù)據(jù)集7.2區(qū)分鳥和飛機7.3總結(jié)7.4練習(xí)題7.5本章小結(jié)12345第7章區(qū)分鳥和飛機：從圖像學(xué)習(xí)8.1卷積介紹8.2卷積實戰(zhàn)8.3子類化nn.Module8.4訓(xùn)練我們的convnet第8章使用卷積進行泛化8.5模型設(shè)計8.6總結(jié)8.7練習(xí)題8.8本章小結(jié)第8章使用卷積進行泛化第2部分從現(xiàn)實世界的圖像中學(xué)習(xí)：肺癌的...第9章使用PyTorch來檢測癌癥第10章將數(shù)據(jù)源組合成統(tǒng)一的數(shù)據(jù)集第11章訓(xùn)練分類模型以檢測可疑腫瘤第12章通過指標(biāo)和數(shù)據(jù)增強來提升訓(xùn)練第13章利用分割法尋找可疑結(jié)節(jié)第14章端到端的結(jié)節(jié)分析及下一步的方向010302040506第2部分從現(xiàn)實世界的圖像中學(xué)習(xí)：肺癌的...9.1用例簡介9.2為一個大型項目做準(zhǔn)備9.3到底什么是CT掃描9.4項目：肺癌的端到端檢測儀9.5總結(jié)9.6本章小結(jié)010302040506第9章使用PyTorch來檢測癌癥10.1原始CT數(shù)據(jù)文件10.2解析LUNA的標(biāo)注數(shù)據(jù)10.3加載單個CT掃描10.4使用病人坐標(biāo)系定位結(jié)節(jié)第10章將數(shù)據(jù)源組合成統(tǒng)一的數(shù)據(jù)集10.5一個簡單的數(shù)據(jù)集實現(xiàn)10.6總結(jié)10.7練習(xí)題10.8本章小結(jié)第10章將數(shù)據(jù)源組合成統(tǒng)一的數(shù)據(jù)集11.1一個基本的模型和訓(xùn)練循環(huán)11.2應(yīng)用程序的主入口點11.3預(yù)訓(xùn)練和初始化11.4我們的首次神經(jīng)網(wǎng)絡(luò)設(shè)計11.5訓(xùn)練和驗證模型11.6輸出性能指標(biāo)010302040506第11章訓(xùn)練分類模型以檢測可疑腫瘤11.7運行訓(xùn)練腳本11.8評估模型：得到99.7%的正確...11.9用TensorBoard繪制訓(xùn)...11.10為什么模型不學(xué)習(xí)檢測結(jié)節(jié)第11章訓(xùn)練分類模型以檢測可疑腫瘤11.11總結(jié)11.13本章小結(jié)11.12練習(xí)題第11章訓(xùn)練分類模型以檢測可疑腫瘤12.1高級改進計劃12.2好狗與壞狗：假陽性與假陰性12.3用圖表表示陽性與陰性12.4理想的數(shù)據(jù)集是什么樣的12.5重新審視過擬合的問題12.6通過數(shù)據(jù)增強防止過擬合010302040506第12章通過指標(biāo)和數(shù)據(jù)增強來提升訓(xùn)練12.7總結(jié)12.9本章小結(jié)12.8練習(xí)題第12章通過指標(biāo)和數(shù)據(jù)增強來提升訓(xùn)練13.1向我們的項目添加第2個模型13.2各種類型的分割13.3語義分割：逐像素分類13.4更新分割模型13.5更新數(shù)據(jù)集以進行分割13.6更新用于分割的訓(xùn)練腳本010302040506第13章利用分割法尋找可疑結(jié)節(jié)13.7結(jié)果13.8總結(jié)13.9練習(xí)題13.10本章小結(jié)第13章利用分割法尋找可疑結(jié)節(jié)14.1接近終點線14.2驗證集的獨立性14.3連接CT分割和候選結(jié)節(jié)分類14.4定量驗證14.5預(yù)測惡性腫瘤14.6在診斷時所見的內(nèi)容010302040506第14章端到端的結(jié)節(jié)分析及下一步的方向14.7接下來呢？其他靈感和數(shù)據(jù)的來源14.8總結(jié)14.9練習(xí)題14.10本章小結(jié)第14章端到端的結(jié)節(jié)分析及下一步的方向第3部分部署15.1PyTorch模型的服務(wù)15.