Learn Deep Learning with PyTorch

非常感谢您能够购买此书，这个github repository包含有深度学习入门之PyTorch的实例代码。由于本人水平有限，在写此书的时候参考了一些网上的资料，在这里对他们表示敬意。由于深度学习的技术在飞速的发展，同时PyTorch也在不断更新，且本人在完成此书的时候也有诸多领域没有涉及，所以这个repository会不断更新作为购买次书的一个后续服务，希望我能够在您深度学习的入门道路上提供绵薄之力。

注意：由于PyTorch版本更迭，书中的代码可能会出现bug，所以一切代码以该github中的为主。

书中已经详细给出了如何基于Anaconda配置python环境，以及PyTorch的安装，如果你使用自己的电脑，并且有Nvidia的显卡，那么你可以愉快地进入深度学习的世界了，如果你没有Nvidia的显卡，那么我们需要一个云计算的平台来帮助我们学习深度学习之旅。如何配置aws计算平台

以下的课程目录和书中目录有出入，因为内容正在更新到第二版，第二版即将上线！！

• Chapter 2: PyTorch基础

  • Tensor和Variable
  • 自动求导机制
  • 动态图与静态图

• Chapter 3: 神经网络

  • 线性模型与梯度下降
  • Logistic 回归与优化器
  • 多层神经网络，Sequential 和 Module
  • 深度神经网络
  • 参数初始化方法
  • 优化算法
    • SGD
    • 动量法
    • Adagrad
    • RMSProp
    • Adadelta
    • Adam

• Chapter 4: 卷积神经网络

  • PyTorch 中的卷积模块
  • 批标准化，batch normalization
  • 使用重复元素的深度网络，VGG
  • 更加丰富化结构的网络，GoogLeNet
  • 深度残差网络，ResNet
  • 稠密连接的卷积网络，DenseNet
  • 更好的训练卷积网络
    • 数据增强
    • 正则化
    • 学习率衰减

• Chapter 5: 循环神经网络

  • 循环神经网络模块：LSTM 和 GRU
  • 使用 RNN 进行图像分类
  • 使用 RNN 进行时间序列分析
  • 自然语言处理的应用：
    • Word Embedding
    • N-Gram 模型
    • Seq-LSTM 做词性预测

• Chapter 6: 生成对抗网络

  • 自动编码器
  • 变分自动编码器
  • 生成对抗网络
  • 深度卷积对抗网络 (DCGANs) 生成人脸

• Chapter 7: 深度强化学习

  • Q Learning
  • Open AI gym
  • Deep Q-networks

• Chapter 8: PyTorch高级

  • tensorboard 可视化
  • 灵活的数据读取介绍
  • autograd.function 的介绍
  • 数据并行和多 GPU
  • 使用 ONNX 转化为 Caffe2 模型
  • 如何部署训练好的神经网络
  • 打造属于自己的 PyTorch 的使用习惯

• Chapter 9: 计算机视觉

  • Fine-tuning: 通过微调进行迁移学习
  • 语义分割: 通过 FCN 实现像素级别的分类
  • Pixel to Pixel 生成对抗网络
  • Neural Transfer: 通过卷积网络实现风格迁移
  • Deep Dream: 探索卷积网络眼中的世界

• Chapter 10: 自然语言处理

  • Char RNN 实现文本生成
  • Image Caption: 实现图片字幕生成
  • seq2seq 实现机器翻译
  • cnn + rnn + attention 实现文本识别

关于深度学习的一些公开课程以及学习资源，可以参考我的这个repository

可以关注我的知乎专栏和博客，会经常分享一些深度学习的文章

关于PyTorch的资源

我的github repo pytorch-beginner

pytorch-tutorial

the-incredible-pytorch

practical-pytorch

PyTorchZeroToAll

Awesome-pytorch-list