前　言
致　謝
關于作者
譯者序
常見問題
　　為什么選擇PyTorch？
　　為什么選擇這套書？
　　誰應該讀這套書？
　　我需要知道什么？
　　如何閱讀這套書？
　　下一步是什么？
設置指南
　　官方資料庫
　　環境
　　　　谷歌Colab
　　　　Binder
　　　　本地安裝
　　繼續
第0章　可視化梯度下降
　　劇透
　　Jupyter Notebook
　　　　導入
　　可視化梯度下降
　　模型
　　數據生成
　　　　合成數據生成
　　　　訓練-驗證-測試拆分
　　第0步——隨機初始化
　　第1步——計算模型的預測
　　第2步——計算損失
　　　　損失面
　　　　橫截面
　　第3步——計算梯度
　　　　可視化梯度
　　　　反向傳播
　　第4步——更新參數
　　　　學習率
　　第5步——循環往復
　　　　梯度下降的路徑
　　回顧
第1章　一個簡單的回歸問題
　　劇透
　　Jupyter Notebook
　　　　導入
　　一個簡單的回歸問題
　　數據生成
　　　　合成數據生成
　　梯度下降
　　　　第0步——隨機初始化
　　　　第1步——計算模型的預測
　　　　第2步——計算損失
　　　　第3步——計算梯度
　　　　第4步——更新參數
　　　　第5步——循環往復
　　Numpy中的線性回歸
　　PyTorch
　　　　張量
　　　　加載數據、設備和CUDA
　　　　創建參數
　　Autograd
　　　　backward
　　　　grad
　　　　zero_
　　　　更新參數
　　　　no_grad
　　動態計算圖
　　優化器
　　　　step/zero_grad
　　損失
　　模型
　　　　參數
　　　　state_dict
　　　　設備
　　　　前向傳遞
　　　　訓練
　　　　嵌套模型
　　　　序列（Sequential）模型
　　　　層
　　歸納總結
　　　　數據準備
　　　　模型配置
　　　　模型訓練
　　回顧
第2章　重新思考訓練循環
　　劇透
　　Jupyter Notebook
　　　　導入
　　重新思考訓練循環
　　　　訓練步驟
　　Dataset
　　　　TensorDataset
　　DataLoader
　　　　小批量內循環
　　　　隨機拆分
　　評估
　　　　繪制損失
　　TensorBoard
　　　　在Notebook中運行
　　　　單獨運行（本地安裝）
　　　　單獨運行（Binder）
　　　　SummaryWriter
　　　　add_graph
　　　　add_scalars
　　保存和加載模型
　　　　模型狀態
　　　　保存
　　　　恢復訓練
　　　　部署/做出預測
　　　　設置模型的模式
　　歸納總結
　　回顧
第2.1章　追求優雅
　　劇透
　　Jupyter Notebook
　　　　導入
　　追求優雅
　　　　類
　　　　構造方法
　　　　訓練方法
　　　　保存和加載方法
　　　　可視化方法
　　　　完整代碼
　　典型的管道
　　　　模型訓練
　　　　做出預測
　　　　檢查點
　　　　恢復訓練
　　歸納總結
　　回顧
第3章　一個簡單的分類問題
　　劇透
　　Jupyter Notebook
　　　　導入
　　一個簡單的分類問題
　　數據生成
　　數據準備
　　模型
　　　　logit
　　　　概率
　　　　比值比（Odds Ratio）
　　　　對數比值比
　　　　從logit到概率
　　　　Sigmoid
　　　　邏輯斯蒂回歸
　　損失
　　　　BCELoss
　　　　BCEWithLogitsLoss
　　　　不平衡數據集
　　模型配置
　　模型訓練
　　決策邊界
　　分類閾值
　　　　混淆矩陣
　　　　指標
　　　　權衡和曲線
　　歸納總結
　　回顧