核心開發者親授！PyTorch深度學習攻略

★第一篇 PyTorch的核心
☆第1章：深度學習與PyTorch函式庫
1-1 深度學習的演變 
1-2 將PyTorch應用到深度學習中 
1-3 為什麼要使用PyTorch？ 
1-4 PyTorch如何協助深度學習專案的開發 
1-5 軟硬體需求 

☆第2章：預先訓練的模型
2-1 利用預先訓練的模型來辨識圖像中的物體
2-2 利用預先訓練的模型來生成『假』圖片
2-3 能描述場景的神經網路模型 
2-4 Torch Hub 
2-5 結論 

☆第3章：介紹張量
3-1 浮點數的世界 
3-2 張量：多維陣列 
3-3 利用索引值操作張量 
3-4 為張量命名 
3-5 張量的元素型別 
3-6 其他常用的張量功能 
3-7 張量的儲存原理 
3-8 大小 、偏移及步長 
3-9 把張量移到GPU上 
3-10 與NumPy的互通性 
3-11 通用的張量（可適用於各種硬體） 
3-12 將張量序列化（長期儲存） 
3-13 結論 

☆第4章：用張量表示現實中的資料
4-1 圖片資料 
4-2 3D立體圖片資料 
4-3 表格資料 
4-4 時間序列資料 
4-5 表示文字資料 
4-6 結論 

☆第5章：學習的機制 
5-1 學習的流程 
5-2 學習就是在估算參數 
5-3 以降低損失為目標 
5-4 梯度下降演算法 
5-5 用PyTorch的autograd進行反向傳播
5-6 結論 

☆第6章：使用神經網路來擬合資料
6-1 神經元 
6-2 PyTorch的nn模組 
6-3 進入正題：神經網路 
6-4 結論

☆第7章：從圖片中學習
7-1 由小型圖片組成的資料集 
7-2 區分鳥和飛機 
7-3 結論 

☆第8章：卷積神經網路
8-1 關於卷積 
8-2 卷積的實際應用 
8-3 建立nn.Module的子類別 
8-4 訓練卷積網路 
8-5 模型設計的進階技巧 
8-6 結論 

★第2篇 從現實世界中的圖片學習：肺部腫瘤偵測專案
☆第9章：利用PyTorch對抗癌症
9-1 應用實例的介紹 
9-2 為大型專案做準備 
9-3 CT掃描到底是什麼？ 
9-4 專案概述：肺部腫瘤偵測器 
9-5 結論 

☆第10章：匯入原始資料並整合為資料集
10-1 原始CT資料
10-2 分析LUNA的標註資料 
10-3 匯入CT掃描資料 
10-4 定位結節 
10-5 簡單的資料集實作 
10-6 結論 

☆第11章：訓練模型分辨結節的真假
11-1 最基礎的模型與訓練迴圈 
11-2 程式的進入點 
11-3 訓練前的設定與初始化 
11-4 我們的首個神經網路 
11-5 模型的訓練與驗證 
11-6 輸出表現評估資料
11-7 執行訓練程式 
11-8 評估模型表現：得到99-7%的分類準確率就代表結束了嗎？ 
11-9 使用TensorBoard畫出訓練評估指標 
11-10 為什麼模型沒有學會偵測結節？ 
11-11 結論 

☆第12章：利用評估指標和資料擴增來改善訓練成效
12-1 模型改善的大方向
12-2 偽陽性與偽陰性
12-3 陽性與陰性的視覺化描述
12-4 理想的資料集長什麼樣子？
12-5 過度配適
12-6 利用資料擴增來防止過度配適
12-7 結論

☆第13章：利用『分割』找出疑似結節的組織
13-1 在專案中加入第二個模型
13-2 不同類型的資料分割
13-3 語義分割：像素層級的分類
13-4 更改模型以執行資料分割
13-5 更改資料集以執行資料分割
13-6 更改訓練程式以執行資料分割
13-7 最終結果
13-8 結論

☆第14章：端到端結節偵測（與未來方向）
14-1 迎向終點線
14-2 保持驗證資料集的獨立性
14-3 連接『分割模型』與『分類模型』
14-4 量化驗證
14-5 預測惡性結節
14-6 利用模型進行診斷
14-7 補充資源與資料
14-8 結論