第一部分 開始使用PyTorch Lightning
第1章 PyTorch Lightning體驗之旅
1.1 PyTorch Lightning的獨特之處
1.1.1 第一個深度學習模型
1.1.2 數量眾多的框架
1.1.3 PyTorch與TensorFlow的比較
1.1.4 最佳平衡：PyTorch Lightning
1.2
：PyTorch Lightning 體驗之旅
1.3 了解PyTorch Lightning的關鍵組件
1.3.1 深度學習管道
1.3.2 PyTorch Lightning 抽象層
1.4 使用PyTorch Lightning創建人工智慧應用程序
1.5 進一步閱讀的資料
1.6 本章小結
第2章 深入研究第一個深度學習模型
2.1 技術需求
2.2 神經網路入門
2.2.1 為什麼使用神經網路
2.2.2 關於XOR運算符
2.2.3 多層感知器體系結構
2.3 Hello World 多層感知器模型
2.3.1 準備數據
2.3.2 構建模型
2.3.3 訓練模型
2.3.4 載入模型
2.3.5 預測分析
2.4 構建第一個深度學習模型
2.4.1 究竟什麼構成了「深度」
2.4.2 卷積神經網路體系結構
2.5 用於圖像識別的卷積神經網路模型
2.5.1 載入數據
2.5.2 構建模型
2.5.3 訓練模型
2.5.4 計算模型的準確率
2.5.5 模型改進練習
2.6 本章小結
第3章 使用預訓練的模型進行遷移學習
3.1 技術需求
3.2 遷移學習入門
3.3 使用預訓練VGG-16體系結構的圖像分類器
3.3.1 載入數據
3.3.2 構建模型
3.3.3 訓練模型
3.3.4 計算模型的準確率
3.4 基於BERT transformer的文本分類
3.4.1 初始化模型
3.4.2 自定義輸入層
3.4.3 準備數據
3.4.4 設置數據載入器實例
3.4.5 設置模型訓練
3.4.6 設置模型測試
3.4.7 訓練模型
3.4.8 測量準確率
3.5 本章小結
第4章 Bolts中的現成模型
4.1 技術需求
4.2 使用Bolts的邏輯回歸
4.2.1 載入數據集
4.2.2 構建邏輯回歸模型
4.2.3 訓練模型
4.2.4 測試模型
4.3 使用Bolts的生成式對抗網路
4.3.1 載入數據集
4.3.2 配置生成式對抗網路模型
4.3.3 訓練模型
4.3.4 載入模型
4.3.5 生成偽造圖像
4.4 使用Bolts的自動編碼器
4.4.1 載入數據集
4.4.2 配置自動編碼器模型
4.4.3 訓練模型
4.4.4 獲得訓練結果
4.5 本章小結
第二部分 使用PyTorch Lightning解決問題
第5章 時間序列模型
5.1 技術需求
5.2 時間序列概述
5.3 時間序列模型入門
5.4 基於循環神經網路的每日天氣預報時間序列模型
5.4.1 載入數據
5.4.2 特徵工程
5.4.3 創建自定義數據集
5.4.4 使用PyTorch Lightning配置循環神經網路模型
5.4.5 訓練模型
5.4.6 度量訓練損失
5.4.7 載入模型
5.4.8 對測試數據集進行預測
5.5 基於長短期記憶網路的時間序列模型
5.5.1 數據集分析
5.5.2 特徵工程
5.5.3 創建自定義數據集
5.5.4 使用PyTorch Lightning配置長短期記憶網路模型
5.5.5 訓練模型
5.5.6 度量訓練損失
5.5.7 載入模型
5.5.8 對測試數據集進行預測
5.6 本章小結
第6章 深度生成式模碧
6.1 技術需求
6.2 生成式對抗網路模型門
6.3 使用生成式對抗網路創建新的鳥類物種
6.3.1 載入數據集
6.3.2 特徵工程實用函數
6.3.3 配置鑒別器模型
6.3.4 配置生成器模型
6.3.5 配置生成式對抗網路模型
6.3.6 訓練生成式對抗網路模型
6.3.7 獲取虛假鳥類圖像的輸出
6.4 本章小結
第7章 半監督學習
7.1 技術需求
7.2 半監督學習入門
7.3 CNN—RNN體系結構概覽
7.4 為圖像生成說明文字
7.4.1 下載數據集
7.4.2 組裝數據
7.4.3 訓練模型
7.4.4 生成說明文字
7.4.5 進一步改進的方向
7.5 本章小結
第8章 自監督學習
8.1 技術需求
8.2 自監督學習入門
8.3 什麼是對比學習
8.4 SimCLR體系結構
8.5 用於圖像識別的SimCLR對比學習模型
8.5.1 收集數據集
8.5.2 設置數據增強
8.5.3 載入數據集
8.5.4 配置訓練
8.5.5 模型訓練
8.5.6 評估模型的性能
8.6 進一步改進的方向
8.7 本章小結
第三部分 高級主題
第9章 部署和評分模型
9.1 技術需求
9.2 在本地部署和評分深度學習模型
9.2.1 pickle(.PKL)模型文件格式
9.2.2 部署深度學習模型
9.2.3 保存和載入模型檢查
9.2.4 使用Flask部署和評分模型
9.3 部署和評分可以移植的模型
9.3.1 ONNX的格式及其重要
9.3.2 保存和載入ONNX模型
9.3.3 使用Flask部署和評分ONNX模型
9.4 進一步的研究方向
9.5 進一步閱讀的資料
9.6 本章小結
第10章 規模化和管理訓練
10.1 技術需求
10.2 管理訓練
10.2.1 保存模型超參數
10.2.2 高效調試
10.2.3 使用TensorBoard監測訓練損失
10.3 規模化訓練
10.3.1 利用多個工作線程加速模型訓練
10.3.2 GPU／TPU訓練
10.3.3 混合精度訓練／16位精度訓練
10.4 控制訓練
10.4.1 使用雲計算時保存模型檢查
10.4.2 更改檢查點功能的默認行為
lO.4.3 從保存的檢查點恢復訓練
10.4.4 使用雲計算時保存下載和組裝的數據
10.5 進一步閱讀的資料
10.6 本章小結
[