前言
致谢
关于作者
译者序
常见问题
为什么选择PyTorch？
为什么选择这套书？
谁应该读这套书？
我需要知道什么？
如何阅读这套书？
下一步是什么？
设置指南
官方资料库
环境
谷歌Colab
Binder
本地安装
继续
第4章 图像分类
剧透
Jupyter Notebook
导入
图像分类
数据生成
NCHW与NHWC
Torchvision
数据集
模型
转换
图像上的转换
张量上的转换
组合转换
数据准备
数据集转换
SubsetRandomSampler
数据增强转换
WeightedRandomSampler
种子和更多（种子）
小结
作为特征的像素
浅层模型
符号
模型配置
模型训练
深层模型
模型配置
模型训练
给我看看数学
给我看看代码
作为像素的权重
激活函数
Sigmoid
双曲正切（TanH）
整流线性单元（ReLU）
泄漏ReLU
参数ReLU（PReLU）
深度模型
模型配置
模型训练
再给我看看数学
归纳总结
回顾
奖励章 特征空间
二维特征空间
转换
二维模型
决策边界，激活方式
更多的函数，更多的边界
更多的层，更多的边界
更多的维度，更多的边界
回顾
第5章 卷积
剧透
Jupyter Notebook
导入
卷积
滤波器/内核
卷积运算
四处移动
形状
在PyTorch中进行卷积
步幅
填充
真正的滤波器
池化
展平
维度
典型架构
LeNet-5
多类分类问题
数据生成
数据准备
损失
分类损失总结
模型配置
模型训练
可视化滤波器和其他
可视化滤波器
钩子
可视化特征图
可视化分类器层
准确率
加载器应用
归纳总结
回顾
第6章 石头、剪刀、布
剧透
Jupyter Notebook
导入
关于石头、剪刀、布
石头、剪刀、布数据集
数据准备
ImageFolder
标准化
真实数据集
三通道卷积
更高级的模型
丢弃
二维丢弃
模型配置
优化器
学习率
模型训练
准确率
正则化效果
可视化滤波器
学习率
寻找LR
自适应学习率
随机梯度下降（SGD）
学习率调度器
验证损失调度器
自适应与循环
归纳总结
回顾
第7章 迁移学习
剧透
Jupyter Notebook
导入
迁移学习
ImageNet
ImageNet大规模视觉识别挑战赛（ILSVRC）
ILSVRC-2012
ILSVRC-2014
ILSVRC-2015
对比各架构
实践中的迁移学习
预训练模型
模型配置
数据准备
模型训练
生成特征数据集
顶层模型
辅助分类器（侧头）
1×1卷积
Inception模块
批量归一化
游程（running）统计
评估阶段
动量
BatchNorm2d
其他归一化
小结
残差连接
学习恒等
捷径的力量
残差块
归纳总结
微调
特征提取
回顾
额外章 梯度消失和爆炸
剧透
Jupyter Notebook
导入
梯度消失和爆炸
梯度消失
球数据集和块模型
权重、激活和梯度
初始化方案
批量归一化
梯度爆炸
数据生成和准备
模型配置和训练
梯度裁剪
模型配置和训练
用钩子裁剪
回顾
展开
