PyTorch深度學習入門與應用：必備實作知識與工具一本就學會

　　深度學習是人工智慧的一個分支，相較於傳統的機器學習，深度學習在某些領域中更接近人類智慧，而逐漸走進我們的生活中，常見的應用如人臉辨識、語音識別、智慧駕駛等。

　　PyTorch是一個開源的Python深度學習函式庫，這個軟體主要由Facebook的人工智慧研究團隊開發，而由於PyTorch的語法簡單，且擁有完善的文件說明，目前已成為開發深度學習的主要框架之一。

　　本書內容由淺入深，不只對PyTorch進行系統化的介紹，也詳細說明了神經網路、CNN網路、RNN網路及強化學習等主題。本書還安排了18個實習，以PyTorch實作深度學習的各種演算法，經由實作的過程，可有效幫助讀者學習，進入深度學習的世界。

　　【目標讀者】
　　☛對深度學習有興趣的初學者，可讓讀者兼顧理論與實作。
　　☛適用於大專院校「深度學習」課程的學生，可作為教師授課之用。
　　☛已學過TensorFlow且想再學習PyTorch框架者，可對學習、研究及求職有很大的幫助。
　　☛專案設計者、AI工程師、數據分析工程師，也很適合閱讀本書。

本書特色

　　著重PyTorch的實作與應用，
　　輕鬆進入深度學習與人工智慧領域！

　　☛詳細說明深度學習的實作流程，以系統化步驟來處理各式的任務問題。
　　☛介紹深度學習原理，實作DNN、CNN、RNN、LSTM、RL各種演算法。
　　☛提供完整的程式範例，程式力求淺顯易懂，說明深入淺出。
　　☛注重數據集的探索處理，可強化數據分析能力。
 

|CHAPTER 01| PyTorch簡介與安裝
1.1 本章提要
1.2 PyTorch簡介
1.3 建置PyTorch開發環境
1.4 安裝CPU版本的PyTorch
1.5 安裝GPU版本的PyTorch
1.6 Jupyter Notebook基本操作
1.7 測試PyTorch是否安裝成功

|CHAPTER 02| PyTorch張量
2.1 本章提要
2.2 建立張量
2.3 建立預設值張量
2.4 張量與NumPy
2.5 CPU和GPU中的張量
2.6 張量的索引及切片
2.7 張量的變換
2.8 張量拼接及拆分
2.9 比較運算
2.10 實習①：張量基本操作

|CHAPTER 03| 自動微分與線性迴歸
3.1 本章提要
3.2 PyTorch自動微分
3.3 線性迴歸
3.4 梯度下降法解多元迴歸問題
3.5 張量算術運算
3.6 實習②：Autograd解多元迴歸問題

|CHAPTER 04| 建構神經網路
4.1 本章提要
4.2 感知器
4.3 多層神經網路
4.4 激活函數
4.5 損失函數
4.6 倒傳遞演算法
4.7 優化器
4.8 torch.nn模組
4.9 torch.optim模組
4.10 訓練神經網路程式架構
4.11 實習③：單層神經網路解多元迴歸問題

|CHAPTER 05| 數據探索與處理
5.1 本章提要
5.2 數據分析
5.3 探索數據
5.4 處理異常值
5.5 處理缺失值
5.6 數據縮放
5.7 拆分數據集
5.8 實習④：預測歌曲發行年份

|CHAPTER 06| 自定義神經網路
6.1 本章提要
6.2 自定義網路層
6.3 nn.functional模組
6.4 深度學習實現流程
6.5 Dataset與DataLoader
6.6 儲存與載入模型
6.7 實習⑤：信用卡違約二元分類
6.8 自定義Dataset
6.9 實習⑥：鳶尾花多元分類

|CHAPTER 07| 卷積神經網路
7.1 本章提要
7.2 CNN基本結構
7.3 卷積層
7.4 池化層.
7.5 全連接層
7.6 加入Dropout層及BatchNorm層
7.7 實習⑦：MNIST手寫數字辨識

|CHAPTER 08| 遷移學習
8.1 本章提要
8.2 TorchVision函式庫
8.3 實習⑧：使用ResNet18模型進行圖片分類
8.4 調整學習率
8.5 ImageFolder類別
8.6 實習⑨：微調ResNet18模型進行圖片分類

|CHAPTER 09| 建構ResNet神經網路
9.1 本章提要
9.2 CIFAR-10數據準備與探索
9.3 實習⑩：CIFAR-10 CNN圖片分類
9.4 ResNet殘差網路
9.5 ResNet18模型架構
9.6 PyTorch實現ResNet網路
9.7 實習⑪：ResNet10 圖形分類

|CHAPTER 10| 循環神經網路
10.1 本章提要
10.2 RNN 循環神經網路
10.3 隨時間倒傳遞演算法
10.4 雙向RNN
10.5 PyTorch實作RNN網路
10.6 實習⑫：RNN處理序列數據

|CHAPTER 11| 長短期記憶網路
11.1 本章提要
11.2 LSTM工作原理
11.3 門控機制
11.4 GRU網路
11.5 PyTorch實作LSTM網路
11.6 文字轉數字的處理
11.7 詞嵌入
11.8 實習⑬：LSTM網路處理IMDB評論分類

|CHAPTER 12| 強化學習
12.1 本章提要
12.2 強化學習簡介
12.3 Markov決策過程
12.4 獎勵與回報
12.5 Q學習演算法
12.6 Q學習演算法手算範例
12.7 實習⑭：Q學習演算法解走至戶外問題
12.8 實習⑮：Q學習解迷宮

|CHAPTER 13| OpenAI Gym
13.1 本章提要
13.2 OpenAI Gym基本操作
13.3 FrozenLake遊戲
13.4 Epsilon- 貪婪策略
13.5 實習⑯：Q學習演算法解Frozen Lake
13.6 Mountain Car遊戲
13.7 將連續值轉換成離散值
13.8 實習⑰：Q學習演算法解Mountain Car

|CHAPTER 14| 深度Q網路
14.1 本章提要
14.2 DQN網路
14.3 DQN工作原理
14.4 DQN演算法
14.5 CartPole-v1遊戲
14.6 CartPole的深度Q學習
14.7 建構回放緩衝區
14.8 建構主要Q網路及目標Q網路
14.9 實習⑱：DQN解CartPole問題