下载地址：

虽然很多深度学习工具都使用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 在不牺牲高级特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都使用PyTorch，所以当你掌握了PyTorth，就会拥有更多的职业选择。

 

本书是教你使用 PyTorch 创建神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一个真实示例：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，包括 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。

 

第　1章 深度学习和PyTorch库简介　3

 

1.1　深度学习革命　4

 

1.2　PyTorch深度学习　5

 

1.3　为什么用PyTorch　6

 

1.4　PyTorch如何支持深度学习概述　8

 

1.5　硬件和软件要求　10

 

1.6　练习题　12

 

1.7　本章小结　13

 

 

 

第　2章 预训练网络　14

 

2.1　一个识别图像主体的预训练网络　15

 

2.1.1　获取一个预先训练好的网络用于图像识别　16

 

2.1.2　AlexNet　17

 

2.1.3　ResNet　19

 

2.1.4　准备运行　19

 

2.1.5　运行模型　21

 

2.2　一个足以以假乱真的预训练模型　23

 

2.2.1　GAN游戏　24

 

2.2.2　CycleGAN　25

 

2.2.3　一个把马变成斑马的网络　26

 

2.3　一个描述场景的预训练网络　29

 

2.4　Torch Hub　31

 

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

 

3.1　实际数据转为浮点数　34

 

3.2　张量：多维数组　36

 

3.2.1　从Python列表到PyTorch张量　36

 

3.2.2　构造第 1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

 

3.5.1　使用dtype指定数字类型　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

 

3.7.1　索引存储区　47

 

3.7.2　修改存储值：就地操作　48

 

3.8　张量元数据：大小、偏移量和步长　48

 

3.8.1　另一个张量的存储视图　49

 

3.8.2　无复制转置　51

 

3.8.3　高维转置　52

 

3.8.4　连续张量　53

 

3.9　将张量存储到GPU　55

 

3.10　NumPy互操作性　57

 

3.11　广义张量也是张量　57

 

3.12　序列化张量　58

 

3.13　总结　60

 

3.14　练习题　60

 

3.15　本章小结　60

 

 

 

第4章　使用张量表征真实数据　61

 

4.1　处理图像　62

 

4.1.1　添加颜色通道　62

 

4.1.2　加载图像文件　63

 

4.1.3　改变布局　63

 

4.1.4　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

 

4.3.1　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　独热编码　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

 

4.4.1　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　81

 

4.5.1　将文本转化为数字　81

 

4.5.2　独热编码字符　82

 

4.5.3　独热编码整个词　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

 

5.1　永恒的建模经验　90

 

5.2　学习就是参数估计　92

 

5.2.1　一个热点问题　93

 

5.2.2　收集一些数据　93

 

5.2.3　可视化数据　94

 

5.2.4　选择线性模型首试　94

 

5.3　减少损失是我们想要的　95

 

5.4　沿着梯度下降　98

 

5.4.1　减小损失　99

 

5.4.2　进行分析　99

 

5.4.3　迭代以适应模型　101

 

5.4.4　归一化输入　104

 

5.4.5　再次可视化数据　106

 

5.5　PyTorch自动求导：反向传播的一切　107

 

5.5.1　自动计算梯度　107

 

5.5.2　优化器　111

 

5.5.3　训练、验证和过拟合　115

 

5.5.4　自动求导更新及关闭　120

 

5.6　总结　121

 

5.7　练习题　122

 

5.8　本章小结　122

 

 

 

第6章　使用神经网络拟合数据　123

 

6.1　人工神经网络　124

 

6.1.1　组成一个多层网络　125

 

6.1.2　理解误差函数　125

 

6.1.3　我们需要的只是激活函数　126

 

6.1.4　更多激活函数　128

 

6.1.5　选择激活函数　128

 

6.1.6　学习对于神经网络意味着什么　129

 

6.2　PyTorch nn模块　131

 

6.2.1　使用__call__()而不是forward()　132

 

6.2.2　回到线性模型　133

 

6.3　终完成一个神经网络　137

 

6.3.1　替换线性模型　137

 

6.3.2　检查参数　138

 

6.3.3　与线性模型对比　141

 

6.4　总结　142

 

6.5　练习题　142

 

6.6　本章小结　142

 

 

 

第7章　区分鸟和飞机：从图像学习　143

 

7.1　微小图像数据集　143

 

7.1.1　下载CIFAR-10　144

 

7.1.2　Dataset类　145

 

7.1.3　Dataset变换　146

 

7.1.4　数据归一化　149

 

7.2　区分鸟和飞机　150

 

7.2.1　构建数据集　151

 

7.2.2　一个全连接模型　152

 

7.2.3　分类器的输出　153

 

7.2.4　用概率表示输出　154

 

7.2.5　分类的损失　157

 

7.2.6　训练分类器　159

 

7.2.7　全连接网络的局限　165

 

7.3　总结　167

 

7.4　练习题　167

 

7.5　本章小结　168

 

 

 

第8章　使用卷积进行泛化　169

 

8.1　卷积介绍　169

 

8.2　卷积实战　172

 

8.2.1　填充边界　173

 

8.2.2　用卷积检测特征　175

 

8.2.3　使用深度和池化技术进一步研究　177

 

8.2.4　为我们的网络整合一切　179

 

8.3　子类化nn.Module　181

 

8.3.1　将我们的网络作为一个nn.Module　182

 

8.3.2　PyTorch如何跟踪参数和子模块　183

 

8.3.3　函数式API　184

 

8.4　训练我们的convnet　185

 

8.4.1　测量精度　187

 

8.4.2　保存并加载我们的模型　188

 

8.4.3　在GPU上训练　188

 

8.5　模型设计　190

 

8.5.1　增加内存容量：宽度　191

 

8.5.2　帮助我们的模型收敛和泛化：正则化　192

 

8.5.3　深入学习更复杂的结构：深度　195

 

8.5.4　本节设计的比较　200

 

8.5.5　已经过时了　201

 

8.6　总结　201

 

8.7　练习题　201

 

8.8　本章小结　202

 

 

 

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　205

 

9.1　用例简介　205

 

9.2　为一个大型项目做准备　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　210

 

9.4.1　为什么我们不把数据扔给神经网络直到它起作用呢　213

 

9.4.2　什么是结节　216

 

9.4.3　我们的数据来源：LUNA大挑战赛　217

 

9.4.4　下载LUNA数据集　218

 

9.5　总结　219

 

9.6　本章小结　219

 

 

 

第　10章 将数据源组合成统一的数据集　220

 

10.1　原始CT数据文件　222

 

10.2　解析LUNA的标注 数据　222

 

10.2.1　训练集和验证集　224

 

10.2.2　统一标注和候选 数据　225

 

10.3　加载单个CT扫描　227

 

10.4　使用病人坐标系定位结节　230

 

10.4.1　病人坐标系　230

 

10.4.2　CT扫描形状和体素大小　232

 

10.4.3　毫米和体素地址之间的转换　233

 

10.4.4　从CT扫描中取出一个结节　234

 

10.5　一个简单的数据集实现　235

 

10.5.1　使用getCtRawCandidate()函数缓存候选数组　238

 

10.5.2　在LunaDataset.__init__()中构造我们的数据集　238

 

10.5.3　分隔训练集和验证集　239

 

10.5.4　呈现数据　240

 

10.6　总结　241

 

10.7　练习题　241

 

10.8　本章小结　242

 

 

 

第　11章 训练分类模型以检测可疑肿瘤　243

 

11.1　一个基本的模型和训练循环　243

 

11.2　应用程序的主入口点　246

 

11.3　预训练和初始化　247

 

11.3.1　初始化模型和优化器　247

 

11.3.2　数据加载器的维护和供给　249

 

11.4　我们的首次神经网络设计　251

 

11.4.1　核心卷积　251

 

11.4.2　完整模型　254

 

11.5　训练和验证模型　257

 

11.5.1　computeBatchLoss()函数　258

 

11.5.2　类似的验证循环　260

 

11.6　输出性能指标　261

 

11.7　运行训练脚本　265

 

11.7.1　训练所需的数据　266

 

11.7.2　插曲：enumerateWithEstimate()函数　266

 

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　268

 

11.9　用TensorBoard绘制训练指标　269

 

11.9.1　运行TensorBoard　269

 

11.9.2　增加TensorBoard对指标记录函数的支持　272

 

11.10　为什么模型不学习检测结节　274

 

11.11　总结　275

 

11.12　练习题　275

 

11.13　本章小结　275

 

 

 

第　12章 通过指标和数据增强来提升训练　277

 

12.1　高级改进计划　278

 

12.2　好狗与坏狗：假阳性与假阴性　279

 

12.3　用图表表示阳性与阴性　280

 

12.3.1　召回率是Roxie的强项　282

 

12.3.2　精度是Preston的强项　283

 

12.3.3　在logMetrics()中实现精度和召回率　284

 

12.3.4　我们的终极性能指标：F1分数　285

 

12.3.5　我们的模型在新指标下表现如何　289

 

12.4　理想的数据集是什么样的　290

 

12.4.1　使数据看起来更理想化　292

 

12.4.2　使用平衡的LunaDataset与之前的数据集运行情况对比　296

 

12.4.3　认识过拟合　298

 

12.5　重新审视过拟合的问题　300

 

12.6　通过数据增强防止过拟合　300

 

12.6.1　具体的数据增强技术　301

 

12.6.2　看看数据增强带来的改进　306

 

12.7　总结　308

 

12.8　练习题　308

 

12.9　本章小结　309

 

 

 

第　13章 利用分割法寻找可疑结节　310

 

13.1　向我们的项目添加第 2个模型　310

 

13.2　各种类型的分割　312

 

13.3　语义分割：逐像素分类　313

 

13.4　更新分割模型　317

 

13.5　更新数据集以进行分割　319

 

13.5.1　U-Net有非常具体的对输入大小的要求　320

 

13.5.2　U-Net对三维和二维数据的权衡　320

 

13.5.3　构建真实、有效的数据集　321

 

13.5.4　实现Luna2dSegmentationDataset　327

 

13.5.5　构建训练和验证数据　331

 

13.5.6　实现TrainingLuna2dSegmentationDataset　332

 

13.5.7　在GPU上增强数据　333

 

13.6　更新用于分割的训练脚本　335

 

13.6.1　初始化分割和增强模型　336

 

13.6.2　使用Adam优化器　336

 

13.6.3　骰子损失　337

 

13.6.4　将图像导入TensorBoard　340

 

13.6.5　更新指标日志　343

 

13.6.6　保存模型　344

 

13.7　结果　345

 

13.8　总结　348

 

13.9　练习题　348

 

13.10　本章小结　349

 

 

 

第　14章 端到端的结节分析及下一步的方向　350

 

14.1　接近终点线　350

 

14.2　验证集的独立性　352

 

14.3　连接CT分割和候选结节分类　353

 

14.3.1　分割　354

 

14.3.2　将体素分组为候选结节　355

 

14.3.3　我们发现结节了吗？分类以减少假阳性　357

 

14.4　定量验证　360

 

14.5　预测恶性肿瘤　361

 

14.5.1　获取恶性肿瘤信息　361

 

14.5.2　曲线基线下的区域：按直径分类　362

 

14.5.3　重用预先存在的权重：微调　365

 

14.5.4　TensorBoard中的输出　370

 

14.6　在诊断时所见的内容　374

 

14.7　接下来呢？其他灵感和数据的来源　376

 

14.7.1　防止过拟合：更好的正则化　377

 

14.7.2　精细化训练数据　379

 

14.7.3　竞赛结果及研究论文　380

 

14.8　总结　381

 

14.9　练习题　382

 

14.10　本章小结　383

 

 

 

第3部分　部署

 

第　15章 部署到生产环境　387

 

15.1　PyTorch模型的服务　388

 

15.1.1　支持Flask服务的模型　388

 

15.1.2　我们想从部署中得到的东西　390

 

15.1.3　批处理请求　391

 

15.2　导出模型　395

 

15.2.1　PyTorch与ONNX的互操作性　396

 

15.2.2　PyTorch自己的导出：跟踪　397

 

15.2.3　具有跟踪模型的服务器　398

 

15.3　与PyTorch JIT编译器交互　398

 

15.3.1　超越经典Python/PyTorch的期望是什么　399

 

15.3.2　PyTorch作为接口和后端的双重特性　400

 

15.3.3　TorchScript　400

 

15.3.4　为可追溯的差异编写脚本　404

 

15.4　LibTorch：C 中的PyTorch　405

 

15.4.1　从C 中运行JITed模型　405

 

15.4.2　从C API开始　408

 

15.5　部署到移动设备　411

 

15.6　新兴技术：PyTorch

 

　模型的企业服务　416

 

15.7　总结　416

 

15.8　练习题　416

 

15.9　本章小结　416