存放《动手学深度学习》PyTorch版

原书作者：阿斯顿·张、李沐、扎卡里 C. 立顿、亚历山大 J. 斯莫拉以及其他社区贡献者。

目录

1. 预备知识
   1.1 数据操作
   1.2 自动求梯度
   1.3 查阅文档
   1.4 本章附录
2. 深度学习基础
   2.1 线性回归
   2.2 线性回归的从零开始实现
   2.3 线性回归的简洁实现
   2.4 softmax回归
   2.5 图像分类数据集（Fashion-MNIST）
   2.6 softmax回归的从零开始实现
   2.7 softmax回归的简洁实现
   2.8 多层感知机
   2.9 多层感知机的从零开始实现
   2.10 多层感知机的简洁实现
   2.11 模型选择、欠拟合和过拟合
   2.12 权重衰减
   2.13 丢弃法
   2.14 正向传播、反向传播和计算图
   2.15 数值稳定性和模型初始化
   2.16 实战Kaggle比赛：房价预测
   2.17 本章附录
3. 深度学习计算
   3.1 模型构造
   3.2 模型参数的访问、初始化和共享
   3.3 自定义层
   3.4 读取和存储
   3.5 GPU计算
   3.6 本章附录
4. 卷积神经网络
   4.1 二维卷积层
   4.2 填充和步幅
   4.3 多输入通道和多输出通道
   4.4 池化层
   4.5 卷积神经网络（LeNet）
   4.6 深度卷积神经网络（AlexNet）
   4.7 使用重复元素的网络（VGG）
   4.8 网络中的网络（NiN）
   4.9 含并行连结的网络（GoogLeNet）
   4.10 批量归一化
   4.11 残差网络（ResNet）
   4.12 稠密连接网络（DenseNet）
   4.13 本章附录
5. 循环神经网络
   5.1 语言模型
   5.2 循环神经网络
   5.3 语言模型数据集（周杰伦专辑歌词）
   5.4 循环神经网络的从零开始实现
   5.5 循环神经网络的简洁实现
   5.6 通过时间反向传播
   5.7 门控循环单元（GRU）
   5.8 长短期记忆（LSTM）
   5.9 深度循环神经网络
   5.10 双向循环神经网络
   5.11 本章附录
6. 优化算法
   6.1 优化与深度学习
   6.2 梯度下降和随机梯度下降
   6.3 小批量随机梯度下降
   6.4 动量法
   6.5 AdaGrad算法
   6.6 RMSProp算法
   6.7 AdaDelta算法
   6.8 Adam算法
   6.9 本章附录
7. 计算性能
   7.1 命令式和符号式混合编程
   7.2 自动并行计算
   7.3 多GPU计算
   7.4 本章附录
8. 计算机视觉
   8.1 图像增广
   8.2 微调
   8.3 目标检测和边界框
   8.4 锚框
   8.5 多尺度目标检测
   8.6 目标检测数据集（皮卡丘）
   8.7 单发多框检测（SSD）
   8.8 区域卷积神经网络（R-CNN）系列
   8.9 语义分割和数据集
   8.10 全卷积网络（FCN）
   8.11 样式迁移
   8.12 实战Kaggle比赛：图像分类（CIFAR-10）
   8.13 实战Kaggle比赛：狗的品种识别（ImageNet Dogs）
   8.14 语义分割网络（U-Net）
   8.15 本章附录
9. 自然语言处理
   9.1 词嵌入（word2vec）
   9.2 近似训练
   9.3 word2vec的实现
   9.4 子词嵌入（fastText）
   9.5 全局向量的词嵌入（GloVe）
   9.6 求近义词和类比词
   9.7 文本情感分类：使用循环神经网络
   9.8 文本情感分类：使用卷积神经网络（textCNN）
   9.9 编码器—解码器（seq2seq）
   9.10 束搜索
   9.11 注意力机制
   9.12 机器翻译
   9.13 本章附录

上链接

项目地址为：https://github.com/wzy6642/Dive-Into-Deep-Learning-PyTorch-PDF。