本书详细阐述了与PyTorch相关的基本解决方案，主要包括深度卷积神经网络架构、结合CNN和LSTM、深度循环模型架构、高级混合模型、图神经网络、使用PyTorch生成音乐和文本、神经风格迁移、深度卷积GAN、利用扩散生成图像、深度强化学习、模型训练优化、将PyTorch模型投入生产、移动设备上的PyTorch、使用PyTorch进行快速原型开发、PyTorch和AutoML、PyTorch与可解释人工智能、推荐系统与PyTorch、PyTorch和Hugging Face等内容。此外，本书还提供了相应的示例、代码，以帮助读者进一步理解相关方案的实现过程。 本书适合作为高等院校计算机及相关专业的教材和教学参考书，也可作为相关开发人员的自学用书和参考手册。

第1章 PyTorch深度学习概述
1.1 深度学习回顾
1.2 优化计划
1.3 PyTorch库与TensorFlow的对比
1.3.1 张量模块
1.3.2 PyTorch模块
1.3.3 使用PyTorch训练神经网络
1.4 本章小结
1.5 参考文献
第2章 深度卷积神经网络架构
2.1 为什么CNN如此强大
2.2 CNN架构的演变
2.3 从头开始开发LeNet
2.3.1 使用PyTorch构建LeNet
2.3.2 训练LeNet
2.3.3 测试LeNet
2.4 微调AlexNet模型
2.5 运行预训练的VGG模型
2.6 GoogLeNet和Inceptionv
2.6.1 Inception模块
2.6.21 ×1卷积
2.6.3 全局平均池化
2.6.4 辅助分类器
2.6.5 Inceptionv
2.7 ResNet和DenseNet架构
2.7.1 ResNet
2.7.2 DenseNet
2.8 EfficientNet和CNN架构的未来
2.9 本章小结
2.10 参考文献
第3章 结合CNN和LSTM
3.1 构建带有CNN和LSTM的神经网络
3.2 使用PyTorch构建图像字幕生成器
3.2.1 下载图像字幕数据集
3.2.2 预处理字幕（文本）数据
3.2.3 预处理图像数据
3.2.4 定义图像字幕数据加载器
3.2.5 定义CNN-LSTM模型
3.2.6 训练CNN-LSTM模型
3.2.7 使用训练好的模型生成图像字幕
3.3 本章小结
3.4 参考文献
第4章 深度循环模型架构
4.1 探索循环网络的演变
4.1.1 循环神经网络的类型
4.1.2 RNN
4.1.3 双向RNN
4.1.4 LSTM
4.1.5 扩展和双向LSTM
4.1.6 多维RNN
4.1.7 堆叠LSTM
4.1.8 GRU
4.1.9 网格LSTM
4.1.10 门控正交循环单元
4.2 训练RNN进行情感分析
4.2.1 加载和预处理文本数据集
4.2.2 实例化并训练模型
4.3 构建双向LSTM
4.3.1 加载和预处理文本数据集
4.3.2 实例化并训练LSTM模型
4.4 GRU和基于注意力的模型
4.4.1 GRU和PyTorch
4.4.2 基于注意力的模型
4.5 本章小结
4.6 参考文献
第5章 高级混合模型
5.1 构建用于语言建模的transformer模型
5.1.1 语言建模回顾
5.1.2 transformer模型架构
5.1.3 在PyTorch中定义transformer模型
5.2 从头开始开发RandWireNN模型
5.2.1 理解RandWireNN
5.2.2 利用PyTorch开发RandWireNN
5.3 本章小结
5.4 参考文献
第6章 图神经网络
6.1 图神经网络简介
6.1.1 图神经网络的直观理解
6.1.2 在图数据上使用常规NN
6.1.3 通过计算图理解GNN的强大能力
6.2 图学习任务的类型
6.2.1 节点级任务
6.2.2 边级任务
6.2.3 图级任务
6.3 回顾突出的GNN模型
6.3.1 GCN中的图卷积
6.3.2 在图上使用注意力机制的GAT
6.3.3 执行图采样的GraphSAGE
6.3.4 使用PyTorchGeometric构建图卷积网络模型
6.3.5 加载和探索引用网络数据集
6.3.6 构建一个简单的基于神经网络的节点分类器
6.3.7 构建用于节点分类的GCN模型
6.4 使用PyTorchGeometric训练GAT模型
6.5 本章小结
6.6 参考文献
第7章 使用PyTorch生成音乐和文本
7.1 使用PyTorch构建基于transformer的文本生成器
7.1.1 训练基于transformer的语言模型
7.1.2 保存和加载语言模型
7.1.3 使用语言模型生成文本
7.2 使用GPT模型作为文本生成器
7.2.1 使用GPT-2实现即用型文本生成
7.2.2 使用PyTorch的文本生成策略
7.2.3 使用GPT-3实现文本生成
7.3 使用PyTorch并通过LSTM生成MIDI音乐
7.3.1 加载MIDI音乐数据
7.3.2 定义LSTM模型和训练过程
7.3.3 训练并测试音乐生成模型
7.4 本章小结
7.5 参考文献
第8章 神经风格迁移
8.1 如何在图像之间迁移风格
8.2 使用PyTorch实现神经风格迁移
8.2.1 加载内容和风格图像
8.2.2 加载并修剪预训练的VGG19模型
8.2.3 构建神经风格迁移模型
8.2.4 训练风格迁移模型
8.2.5 尝试风格迁移系统
8.3 本章小结
8.4 参考文献
第9章 深度卷积GAN
9.1 定义生成器和鉴别器网络
9.2 使用PyTorch训练DCGAN
9.2.1 定义生成器
9.2.2 定义鉴别器
9.2.3 加载图像数据集
9.2.4 DCGAN的训练循环
9.3 使用GAN进行风格迁移
9.3.1 pix2pix架构
9.3.2 pix2pix生成器
9.3.3 pix2pix鉴别器
9.4 本章小结
9.5 参考文献
第10章 利用扩散生成图像
10.1 理解使用扩散的图像生成
10.1.1 扩散的工作方式
10.1.2 训练一个前向扩散模型
10.1.3 执行反向扩散或去噪
10.2 训练一个用于图像生成的扩散模型
10.2.1 使用Hugging Face数据集加载数据集
10.2.2 使用torchvision转换处理数据集
10.2.3 使用diffusers为图