第 1部分　PyTorch核心 第　1章 深度學(xué)習(xí)和PyTorch庫簡介　3 1.1　深度學(xué)習(xí)革命　4 1.2　PyTorch深度學(xué)習(xí)　5 1.3　為什么用PyTorch　6 1.4　PyTorch如何支持深度學(xué)習(xí)概述　8 1.5　硬件和軟件要求　10 1.6　練習(xí)題　12 1.7　本章小結(jié)　13 第　2章 預(yù)訓(xùn)練網(wǎng)絡(luò)　14 2.1　一個(gè)識(shí)別圖像主體的預(yù)訓(xùn)練網(wǎng)絡(luò)　15 2.1.1　獲取一個(gè)預(yù)先訓(xùn)練好的網(wǎng)絡(luò)用于圖像識(shí)別　16 2.1.2　AlexNet　17 2.1.3　ResNet　19 2.1.4　準(zhǔn)備運(yùn)行　19 2.1.5　運(yùn)行模型　21 2.2　一個(gè)足以以假亂真的預(yù)訓(xùn)練模型　23 2.2.1　GAN游戲　24 2.2.2　CycleGAN　25 2.2.3　一個(gè)把馬變成斑馬的網(wǎng)絡(luò)　26 2.3　一個(gè)描述場景的預(yù)訓(xùn)練網(wǎng)絡(luò)　29 2.4　Torch Hub　31 2.5　總結(jié)　32 2.6　練習(xí)題　32 2.7　本章小結(jié)　33 第3章　從張量開始　34 3.1　實(shí)際數(shù)據(jù)轉(zhuǎn)為浮點(diǎn)數(shù)　34 3.2　張量：多維數(shù)組　36 3.2.1　從Python列表到PyTorch張量　36 3.2.2　構(gòu)造第 1個(gè)張量　37 3.2.3　張量的本質(zhì)　37 3.3　索引張量　40 3.4　命名張量　40 3.5　張量的元素類型　43 3.5.1　使用dtype指定數(shù)字類型　43 3.5.2　適合任何場合的dtype　44 3.5.3　管理張量的dtype屬性　44 3.6　張量的API　45 3.7　張量的存儲(chǔ)視圖　46 3.7.1　索引存儲(chǔ)區(qū)　47 3.7.2　修改存儲(chǔ)值：就地操作　48 3.8　張量元數(shù)據(jù)：大小、偏移量和步長　48 3.8.1　另一個(gè)張量的存儲(chǔ)視圖　49 3.8.2　無復(fù)制轉(zhuǎn)置　51 3.8.3　高維轉(zhuǎn)置　52 3.8.4　連續(xù)張量　53 3.9　將張量存儲(chǔ)到GPU　55 3.10　NumPy互操作性　57 3.11　廣義張量也是張量　57 3.12　序列化張量　58 3.13　總結(jié)　60 3.14　練習(xí)題　60 3.15　本章小結(jié)　60 第4章　使用張量表征真實(shí)數(shù)據(jù)　61 4.1　處理圖像　62 4.1.1　添加顏色通道　62 4.1.2　加載圖像文件　63 4.1.3　改變布局　63 4.1.4　正規(guī)化數(shù)據(jù)　64 4.2　三維圖像：體數(shù)據(jù)　65 4.3　表示表格數(shù)據(jù)　66 4.3.1　使用真實(shí)的數(shù)據(jù)集　67 4.3.2　加載葡萄酒數(shù)據(jù)張量　68 4.3.3　表示分?jǐn)?shù)　70 4.3.4　獨(dú)熱編碼　70 4.3.5　何時(shí)分類　72 4.3.6　尋找閾值　73 4.4　處理時(shí)間序列　75 4.4.1　增加時(shí)間維度　76 4.4.2　按時(shí)間段調(diào)整數(shù)據(jù)　77 4.4.3　準(zhǔn)備訓(xùn)練　79 4.5　表示文本　81 4.5.1　將文本轉(zhuǎn)化為數(shù)字　81 4.5.2　獨(dú)熱編碼字符　82 4.5.3　獨(dú)熱編碼整個(gè)詞　83 4.5.4　文本嵌入　85 4.5.5　作為藍(lán)圖的文本嵌入　87 4.6　總結(jié)　88 4.7　練習(xí)題　88 4.8　本章小結(jié)　88 第5章　學(xué)習(xí)的機(jī)制　90 5.1　永恒的建模經(jīng)驗(yàn)　90 5.2　學(xué)習(xí)就是參數(shù)估計(jì)　92 5.2.1　一個(gè)熱點(diǎn)問題　93 5.2.2　收集一些數(shù)據(jù)　93 5.2.3　可視化數(shù)據(jù)　94 5.2.4　選擇線性模型首試　94 5.3　減少損失是我們想要的　95 5.4　沿著梯度下降　98 5.4.1　減小損失　99 5.4.2　進(jìn)行分析　99 5.4.3　迭代以適應(yīng)模型　101 5.4.4　歸一化輸入　104 5.4.5　再次可視化數(shù)據(jù)　106 5.5　PyTorch自動(dòng)求導(dǎo)：反向傳播的一切　107 5.5.1　自動(dòng)計(jì)算梯度　107 5.5.2　優(yōu)化器　111 5.5.3　訓(xùn)練、驗(yàn)證和過擬合　115 5.5.4　自動(dòng)求導(dǎo)更新及關(guān)閉　120 5.6　總結(jié)　121 5.7　練習(xí)題　122 5.8　本章小結(jié)　122 第6章　使用神經(jīng)網(wǎng)絡(luò)擬合數(shù)據(jù)　123 6.1　人工神經(jīng)網(wǎng)絡(luò)　124 6.1.1　組成一個(gè)多層網(wǎng)絡(luò)　125 6.1.2　理解誤差函數(shù)　125 6.1.3　我們需要的只是激活函數(shù)　126 6.1.4　更多激活函數(shù)　128 6.1.5　選擇最佳激活函數(shù)　128 6.1.6　學(xué)習(xí)對于神經(jīng)網(wǎng)絡(luò)意味著什么　129 6.2　PyTorch nn模塊　131 6.2.1　使用__call__()而不是forward()　132 6.2.2　回到線性模型　133 6.3　最終完成一個(gè)神經(jīng)網(wǎng)絡(luò)　137 6.3.1　替換線性模型　137 6.3.2　檢查參數(shù)　138 6.3.3　與線性模型對比　141 6.4　總結(jié)　142 6.5　練習(xí)題　142 6.6　本章小結(jié)　142 第7章　區(qū)分鳥和飛機(jī)：從圖像學(xué)習(xí)　143 7.1　微小圖像數(shù)據(jù)集　143 7.1.1　下載CIFAR-10　144 7.1.2　Dataset類　145 7.1.3　Dataset變換　146 7.1.4　數(shù)據(jù)歸一化　149 7.2　區(qū)分鳥和飛機(jī)　150 7.2.1　構(gòu)建數(shù)據(jù)集　151 7.2.2　一個(gè)全連接模型　152 7.2.3　分類器的輸出　153 7.2.4　用概率表示輸出　154 7.2.5　分類的損失　157 7.2.6　訓(xùn)練分類器　159 7.2.7　全連接網(wǎng)絡(luò)的局限　165 7.3　總結(jié)　167 7.4　練習(xí)題　167 7.5　本章小結(jié)　168 第8章　使用卷積進(jìn)行泛化　169 8.1　卷積介紹　169 8.2　卷積實(shí)戰(zhàn)　172 8.2.1　填充邊界　173 8.2.2　用卷積檢測特征　175 8.2.3　使用深度和池化技術(shù)進(jìn)一步研究　177 8.2.4　為我們的網(wǎng)絡(luò)整合一切　179 8.3　子類化nn.Module　181 8.3.1　將我們的網(wǎng)絡(luò)作為一個(gè)nn.Module　182 8.3.2　PyTorch如何跟蹤參數(shù)和子模塊　183 8.3.3　函數(shù)式API　184 8.4　訓(xùn)練我們的convnet　185 8.4.1　測量精度　187 8.4.2　保存并加載我們的模型　188 8.4.3　在GPU上訓(xùn)練　188 8.5　模型設(shè)計(jì)　190 8.5.1　增加內(nèi)存容量：寬度　191 8.5.2　幫助我們的模型收斂和泛化：正則化　192 8.5.3　深入學(xué)習(xí)更復(fù)雜的結(jié)構(gòu)：深度　195 8.5.4　本節(jié)設(shè)計(jì)的比較　200 8.5.5　已經(jīng)過時(shí)了　201 8.6　總結(jié)　201 8.7　練習(xí)題　201 8.8　本章小結(jié)　202 第　2部分 從現(xiàn)實(shí)世界的圖像中學(xué)習(xí)：肺癌的早期檢測 第9章　使用PyTorch來檢測癌癥　205 9.1　用例簡介　205 9.2　為一個(gè)大型項(xiàng)目做準(zhǔn)備　206 9.3　到底什么是CT掃描　207 9.4　項(xiàng)目：肺癌的端到端檢測儀　210 9.4.1　為什么我們不把數(shù)據(jù)扔給神經(jīng)網(wǎng)絡(luò)直到它起作用呢　213 9.4.2　什么是結(jié)節(jié)　216 9.4.3　我們的數(shù)據(jù)來源：LUNA大挑戰(zhàn)賽　217 9.4.4　下載LUNA數(shù)據(jù)集　218 9.5　總結(jié)　219 9.6　本章小結(jié)　219 第　10章 將數(shù)據(jù)源組合成統(tǒng)一的數(shù)據(jù)集　220 10.1　原始CT數(shù)據(jù)文件　222 10.2　解析LUNA的標(biāo)注 數(shù)據(jù)　222 10.2.1　訓(xùn)練集和驗(yàn)證集　224 10.2.2　統(tǒng)一標(biāo)注和候選 數(shù)據(jù)　225 10.3　加載單個(gè)CT掃描　227 10.4　使用病人坐標(biāo)系定位結(jié)節(jié)　230 10.4.1　病人坐標(biāo)系　230 10.4.2　CT掃描形狀和體素大小　232 10.4.3　毫米和體素地址之間的轉(zhuǎn)換　233 10.4.4　從CT掃描中取出一個(gè)結(jié)節(jié)　234 10.5　一個(gè)簡單的數(shù)據(jù)集實(shí)現(xiàn)　235 10.5.1　使用getCtRawCandidate()函數(shù)緩存候選數(shù)組　238 10.5.2　在LunaDataset.__init__()中構(gòu)造我們的數(shù)據(jù)集　238 10.5.3　分隔訓(xùn)練集和驗(yàn)證集　239 10.5.4　呈現(xiàn)數(shù)據(jù)　240 10.6　總結(jié)　241 10.7　練習(xí)題　241 10.8　本章小結(jié)　242 第　11章 訓(xùn)練分類模型以檢測可疑腫瘤　243 11.1　一個(gè)基本的模型和訓(xùn)練循環(huán)　243 11.2　應(yīng)用程序的主入口點(diǎn)　246 11.3　預(yù)訓(xùn)練和初始化　247 11.3.1　初始化模型和優(yōu)化器　247 11.3.2　數(shù)據(jù)加載器的維護(hù)和供給　249 11.4　我們的首次神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)　251 11.4.1　核心卷積　251 11.4.2　完整模型　254 11.5　訓(xùn)練和驗(yàn)證模型　257 11.5.1　computeBatchLoss()函數(shù)　258 11.5.2　類似的驗(yàn)證循環(huán)　260 11.6　輸出性能指標(biāo)　261 11.7　運(yùn)行訓(xùn)練腳本　265 11.7.1　訓(xùn)練所需的數(shù)據(jù)　266 11.7.2　插曲：enumerateWithEstimate()函數(shù)　266 11.8　評估模型：得到99.7%的正確率是否意味著我們完成了任務(wù)　268 11.9　用TensorBoard繪制訓(xùn)練指標(biāo)　269 11.9.1　運(yùn)行TensorBoard　269 11.9.2　增加TensorBoard對指標(biāo)記錄函數(shù)的支持　272 11.10　為什么模型不學(xué)習(xí)檢測結(jié)節(jié)　274 11.11　總結(jié)　275 11.12　練習(xí)題　275 11.13　本章小結(jié)　275 第　12章 通過指標(biāo)和數(shù)據(jù)增強(qiáng)來提升訓(xùn)練　277 12.1　高級改進(jìn)計(jì)劃　278 12.2　好狗與壞狗：假陽性與假陰性　279 12.3　用圖表表示陽性與陰性　280 12.3.1　召回率是Roxie的強(qiáng)項(xiàng)　282 12.3.2　精度是Preston的強(qiáng)項(xiàng)　283 12.3.3　在logMetrics()中實(shí)現(xiàn)精度和召回率　284 12.3.4　我們的終極性能指標(biāo)：F1分?jǐn)?shù)　285 12.3.5　我們的模型在新指標(biāo)下表現(xiàn)如何　289 12.4　理想的數(shù)據(jù)集是什么樣的　290 12.4.1　使數(shù)據(jù)看起來更理想化　292 12.4.2　使用平衡的LunaDataset與之前的數(shù)據(jù)集運(yùn)行情況對比　296 12.4.3　認(rèn)識(shí)過擬合　298 12.5　重新審視過擬合的問題　300 12.6　通過數(shù)據(jù)增強(qiáng)防止過擬合　300 12.6.1　具體的數(shù)據(jù)增強(qiáng)技術(shù)　301 12.6.2　看看數(shù)據(jù)增強(qiáng)帶來的改進(jìn)　306 12.7　總結(jié)　308 12.8　練習(xí)題　308 12.9　本章小結(jié)　309 第　13章 利用分割法尋找可疑結(jié)節(jié)　310 13.1　向我們的項(xiàng)目添加第 2個(gè)模型　310 13.2　各種類型的分割　312 13.3　語義分割：逐像素分類　313 13.4　更新分割模型　317 13.5　更新數(shù)據(jù)集以進(jìn)行分割　319 13.5.1　U-Net有非常具體的對輸入大小的要求　320 13.5.2　U-Net對三維和二維數(shù)據(jù)的權(quán)衡　320 13.5.3　構(gòu)建真實(shí)、有效的數(shù)據(jù)集　321 13.5.4　實(shí)現(xiàn)Luna2dSegmentationDataset　327 13.5.5　構(gòu)建訓(xùn)練和驗(yàn)證數(shù)據(jù)　331 13.5.6　實(shí)現(xiàn)TrainingLuna2dSegmentationDataset　332 13.5.7　在GPU上增強(qiáng)數(shù)據(jù)　333 13.6　更新用于分割的訓(xùn)練腳本　335 13.6.1　初始化分割和增強(qiáng)模型　336 13.6.2　使用Adam優(yōu)化器　336 13.6.3　骰子損失　337 13.6.4　將圖像導(dǎo)入TensorBoard　340 13.6.5　更新指標(biāo)日志　343 13.6.6　保存模型　344 13.7　結(jié)果　345 13.8　總結(jié)　348 13.9　練習(xí)題　348 13.10　本章小結(jié)　349 第　14章 端到端的結(jié)節(jié)分析及下一步的方向　350 14.1　接近終點(diǎn)線　350 14.2　驗(yàn)證集的獨(dú)立性　352 14.3　連接CT分割和候選結(jié)節(jié)分類　353 14.3.1　分割　354 14.3.2　將體素分組為候選結(jié)節(jié)　355 14.3.3　我們發(fā)現(xiàn)結(jié)節(jié)了嗎？分類以減少假陽性　357 14.4　定量驗(yàn)證　360 14.5　預(yù)測惡性腫瘤　361 14.5.1　獲取惡性腫瘤信息　361 14.5.2　曲線基線下的區(qū)域：按直徑分類　362 14.5.3　重用預(yù)先存在的權(quán)重：微調(diào)　365 14.5.4　TensorBoard中的輸出　370 14.6　在診斷時(shí)所見的內(nèi)容　374 14.7　接下來呢？其他靈感和數(shù)據(jù)的來源　376 14.7.1　防止過擬合：更好的正則化　377 14.7.2　精細(xì)化訓(xùn)練數(shù)據(jù)　379 14.7.3　競賽結(jié)果及研究論文　380 14.8　總結(jié)　381 14.9　練習(xí)題　382 14.10　本章小結(jié)　383 第3部分　部署 第　15章 部署到生產(chǎn)環(huán)境　387 15.1　PyTorch模型的服務(wù)　388 15.1.1　支持Flask服務(wù)的模型　388 15.1.2　我們想從部署中得到的東西　390 15.1.3　批處理請求　391 15.2　導(dǎo)出模型　395 15.2.1　PyTorch與ONNX的互操作性　396 15.2.2　PyTorch自己的導(dǎo)出：跟蹤　397 15.2.3　具有跟蹤模型的服務(wù)器　398 15.3　與PyTorch JIT編譯器交互　398 15.3.1　超越經(jīng)典Python/PyTorch的期望是什么　399 15.3.2　PyTorch作為接口和后端的雙重特性　400 15.3.3　TorchScript　400 15.3.4　為可追溯的差異編寫腳本　404 15.4　LibTorch：C++中的PyTorch　405 15.4.1　從C++中運(yùn)行JITed模型　405 15.4.2　從C++ API開始　408 15.5　部署到移動(dòng)設(shè)備　411 15.6　新興技術(shù)：PyTorch
模型的企業(yè)服務(wù)　416 15.7　總結(jié)　416 15.8　練習(xí)題　416 15.9　本章小結(jié)　416