洪锦魁，中国台湾计算机专家，IT图书知名作者，近年出版《深度学习全书》《Python王者归来（增强版）》《机器学习数学基础一本通（Python版）》《机器学习微积分一本通（Python版）》等图书。

《PyTorch深度学习应用实战》以统计学/数学为出发点，介绍深度学习必备的数理基础，讲解PyTorch的主体架构及最新的模块功能，包括常见算法与相关套件的使用方法，例如对象侦测、生成对抗网络、深度伪造、图像中的文字辨识、脸部辨识、BERT/Transformer、聊天机器人、强化学习、自动语音识别、知识图谱等。本书配有大量案例及图表说明，同时以程序设计取代定理证明，缩短学习过程，增加学习乐趣。

第1篇　深度学习导论

第 1 章 深度学习介绍 2

1-1　人工智能历经的三波浪潮 2

1-2　AI的学习地图 3

1-3　TensorFlow对比 PyTorch 5

1-4　机器学习开发流程 6

1-5　开发环境安装 7

1-6　免费云端环境开通 9

第2章 神经网络原理 12

2-1　必备的数学与统计知识 12

2-2　万般皆自“回归”起 13

2-3　神经网络 16

2-3-1　神经网络概念 17

2-3-2　梯度下降法 19

2-3-3　神经网络权重求解 22

第2篇　PyTorch基础篇

第 3 章 PyTorch 学习路径与主要

               功能 25

3-1　PyTorch学习路径 25

3-2　张量运算 26

3-2-1　向量 26

3-2-2　矩阵 30

3-2-3　使用PyTorch 33

3-3　自动微分 36

3-4　神经网络层 43

3-5　总结 50

第 4 章　神经网络实操 51

4-1　撰写第一个神经网络程序 51

4-1-1　最简短的程序 51

4-1-2　程序强化 53

4-1-3　试验 62

4-2　模型种类 67

4-2-1　Sequential model 67

4-2-2　Functional API 68

4-3　神经层 71

4-3-1　完全连接层 72

4-3-2　Dropout Layer 72

4-4　激励函数 72

4-5　损失函数 74

4-6　优化器 75

4-7　效能衡量指标 77

4-8　超参数调校 80

第 5 章　PyTorch 进阶功能 86

5-1　数据集及数据加载器 86

5-2　TensorBoard 92

5-2-1　TensorBoard功能 92

5-2-2　测试 94

5-3　模型部署与TorchServe 99

5-3-1　自行开发网页程序 99

5-3-2　TorchServe 100

第 6 章　卷积神经网络 103

6-1　卷积神经网络简介 103

6-2　卷积 104

6-3　各种卷积 107

6-4　池化层 110

6-5　CNN模型实操 111

6-6　影像数据增强 119

6-7　可解释的AI 126

第 7 章 预先训练的模型 134

7-1　预先训练模型的简介 134

7-2　采用完整的模型 137

7-3　采用部分模型 140

7-4　转移学习 144

7-5　Batch Normalization说明 148

第3篇　进阶的影像应用

第 8 章　对象侦测 153

8-1　图像辨识模型的发展 153

8-2　滑动窗口 154

8-3　方向梯度直方图 156

8-4　R-CNN对象侦测 166

8-5　R-CNN改良 170

8-6　YOLO算法简介 176

8-7　YOLO v5测试 179

8-8　YOLO v5模型训练 181

8-9　YOLO v7测试 181

8-10　YOLO模型训练 183

8-11　SSD算法 186

8-12　对象侦测的效能衡量指标 188

8-13　总结 188

第 9 章　进阶的影像应用 189

9-1　语义分割介绍 189

9-2　自动编码器 190

9-3　语义分割实操 202

9-4　实例分割 208

9-5　风格转换—人人都可以是

   毕加索 214

9-6　脸部辨识 220

9-6-1　脸部侦测 221

9-6-2　MTCNN算法 225

9-6-3　脸部追踪 230

9-6-4　脸部特征点侦测 235

9-6-5　脸部验证 240

9-7　光学文字辨识 242

9-8　车牌辨识 245

9-9　卷积神经网络的缺点 249

第 10 章　生成对抗网络 251

10-1　生成对抗网络介绍 251

10-2　生成对抗网络种类 253

10-3　DCGAN 256

10-4　Progressive GAN 264

10-5　Conditional GAN 265

10-6　Pix2Pix 269

10-7　CycleGAN 277

10-8　GAN挑战 282

10-9　深度伪造 284

第4篇　自然语言处理

第 11 章　自然语言处理的介绍 287

11-1　词袋与TF-IDF 287

11-2　词汇前置处理 290

11-3　词向量 295

11-4　GloVe模型 309

11-5　中文处理 311

11-6　spaCy套件 313

第 12 章　自然语言处理的算法 318

12-1　循环神经网络 318

12-2　PyTorch 内建文本数据集 330

12-3　长短期记忆网络 335

12-4　自定义数据集 338

12-5　时间序列预测 340

12-6　Gate Recurrent Unit 344

12-7　股价预测 346

12-8　注意力机制 349

12-9　Transformer架构 361

12-9-1　Transformer原理 361

12-9-2　Transformer效能 363

12-10　BERT 364

12-10-1　Masked LM 365

12-10-2　Next Sentence 

    Prediction 365

12-10-3　BERT效能微调 366

12-11　Transformers框架 368

12-11-1　Transformers框架

    范例 368

12-11-2　Transformers框架效能

    微调 377

12-11-3　Transformers中文

    模型 382

12-11-4　后续努力 383

12-12　总结 383

第 13 章　ChatBot 384

13-1　ChatBot类别 384

13-2　ChatBot设计 385

13-3　ChatBot实操 387

13-4　ChatBot工具套件 389

13-4-1　ChatterBot实操 389

13-4-2　chatbotAI实操 392

13-4-3　Rasa实操 395

13-5　Dialogflow实操 398

13-5-1　Dialogflow基本功能 400

13-5-2　履行 405

13-5-3　整合 408

13-6　总结 410

第 14 章 语音识别 411

14-1　语音基本认识 412

14-2　语音前置处理 421

14-3　PyTorch语音前置处理 430

14-4　PyTorch内建语音数据集 439

14-5　语音深度学习应用 443

14-6　自动语音识别 454

14-7　自动语音识别实操 457

14-8　总结 457

第5篇　强化学习

第 15 章 强化学习原理及应用 460

15-1　强化学习的基础 460

15-2　强化学习模型 464

15-3　简单的强化学习架构 466

15-4　Gym套件 476

15-5　Gym扩充功能 484

15-6　动态规划 486

15-7　值循环 495

15-8　蒙特卡罗 497

15-9　时序差分 505

15-9-1　SARSA算法 506

15-9-2　Q-learning算法 510

15-10　井字游戏 513

15-11　连续型状态变量与Deep 

    Q-Learning算法 519

15-12　Actor Critic算法 524

15-13　实际应用案例 525

15-14　其他算法 528

15-15　总结 529

第6篇　图神经网络

第 16 章 图神经网络原理及

        应用 531

16-1　图形理论 531

16-2　PyTorch Geometric 541

16-3　图神经网络 545

16-4　总结 551