2021-01-16 17:40:11

new/pt-ai-fund/0.md

 # 前言
 
-**人工** **智能**（**AI**）继续流行并破坏了广泛的领域，但这是一个复杂而艰巨的话题。 在本书中，您将掌握构建深度学习应用程序的方法，以及如何使用 PyTorch 进行研究和解决实际问题。
+**人工智能**（**AI**）继续流行并破坏了广泛的领域，但这是一个复杂而艰巨的话题。 在本书中，您将掌握构建深度学习应用程序的方法，以及如何使用 PyTorch 进行研究和解决实际问题。
 
-本书从张量处理的基础开始，采用基于配方的方法，然后介绍了**卷积** **神经网络**（**CNN**）和 PyTorch 中的**循环神经网络**（**RNN**）。 熟悉这些基本网络后，您将使用深度学习来构建医学图像分类器。 接下来，您将使用 TensorBoard 进行可视化。 您还将深入研究**生成性** **对抗性** **网络**（**GAN**）和**深度** **增强** **学习**（**DRL**），然后最终将模型大规模部署到生产中。 您将发现针对机器学习，深度学习和强化学习中常见问题的解决方案。 您将学习如何在计算机视觉，**自然** **语言** **处理**（**NLP**）中实现 AI 任务并解决实际问题。 其他实际领域。
+本书从张量处理的基础开始，采用基于配方的方法，然后介绍了**卷积神经网络**（**CNN**）和 PyTorch 中的**循环神经网络**（**RNN**）。 熟悉这些基本网络后，您将使用深度学习来构建医学图像分类器。 接下来，您将使用 TensorBoard 进行可视化。 您还将深入研究**生成对抗网络**（**GAN**）和**深度强化学习**（**DRL**），然后最终将模型大规模部署到生产中。 您将发现针对机器学习，深度学习和强化学习中常见问题的解决方案。 您将学习如何在计算机视觉，**自然语言处理**（**NLP**）中实现 AI 任务并解决实际问题。 其他实际领域。
 
 到本书结尾，您将拥有使用 PyTorch 框架的 AI 中最重要且应用最广泛的技术的基础。
 
@@ -12,21 +12,21 @@
 
 # 本书涵盖的内容
 
-第 1 章和*使用 PyTorch 处理张量*介绍 PyTorch 及其安装，然后继续使用 PyTorch 处理张量。
+第 1 章，“使用 PyTorch 处理张量”介绍 PyTorch 及其安装，然后继续使用 PyTorch 处理张量。
 
-第 2 章，*处理神经网络*全面介绍了开始和训练全连接神经网络的所有要求，从而对基本神经网络的所有组件进行了详尽的解释。 ：层，前馈网络，反向传播，损失函数，梯度，权重更新以及使用 CPU / GPU。
+第 2 章，“处理神经网络”全面介绍了开始和训练全连接神经网络的所有要求，从而对基本神经网络的所有组件进行了详尽的解释。 ：层，前馈网络，反向传播，损失函数，梯度，权重更新以及使用 CPU / GPU。
 
-第 3 章，*用于计算机视觉的卷积神经网络*首先介绍了用于更高级任务的一类神经网络，即卷积神经网络。 在这里，我们将与 PyTorch 一起探索 TorchVision，训练 CNN 模型，并使用 TensorBoard 可视化其进度。 我们还将介绍与卷积网络构建块相关的各种任务。 卷积神经网络（CNN 或 ConvNet）是一类 DNN，最常用于分析图像。
+第 3 章，“用于计算机视觉的卷积神经网络”首先介绍了用于更高级任务的一类神经网络，即卷积神经网络。 在这里，我们将与 PyTorch 一起探索 TorchVision，训练 CNN 模型，并使用 TensorBoard 可视化其进度。 我们还将介绍与卷积网络构建块相关的各种任务。 卷积神经网络（CNN 或 ConvNet）是一类 DNN，最常用于分析图像。
 
-第 4 章和*用于 NLP 的循环神经网络*探索循环神经网络，并研究 RNN 中的各种修改以及最佳实践。
+第 4 章，“用于 NLP 的循环神经网络”探索循环神经网络，并研究 RNN 中的各种修改以及最佳实践。
 
-第 5 章，*迁移学习和 TensorBoard* 显示了如何使用经过训练的 ResNet-50 模型训练图像分类器以区分正常和肺炎的胸部 X 射线。 我们将替换分类器，并使用两个输出单位来代表正常和肺炎类别。
+第 5 章，“迁移学习和 TensorBoard”显示了如何使用经过训练的 ResNet-50 模型训练图像分类器以区分正常和肺炎的胸部 X 射线。 我们将替换分类器，并使用两个输出单位来代表正常和肺炎类别。
 
-第 6 章和*探索生成对抗网络*探索生成对抗网络，以及如何实现 PyTorch 的组件并训练端到端网络。 我们将探索 DCGAN，并通过渐进式 GAN 网络进一步改善 DCGAN 的局限性。
+第 6 章，“探索生成对抗网络”探索生成对抗网络，以及如何实现 PyTorch 的组件并训练端到端网络。 我们将探索 DCGAN，并通过渐进式 GAN 网络进一步改善 DCGAN 的局限性。
 
-第 7 章，*深度强化学习*可帮助您通过各种食谱来了解深度 RL。 本章是一系列食谱和任务，您将在其中利用所需的能力和架构来转变为深度强化学习专家。
+第 7 章，“深度强化学习”可帮助您通过各种食谱来了解深度 RL。 本章是一系列食谱和任务，您将在其中利用所需的能力和架构来转变为深度强化学习专家。
 
-第 8 章和*在 PyTorch* 中生产 AI 模型，着眼于以两种方式生产 PyTorch 应用程序。 首先，生成已经训练过的模型，其次，对大型数据集进行分布式训练。 最后，我们将研究各种框架之间的可移植性。
+第 8 章，“PyTorch 中的生产 AI 模型”，着眼于以两种方式生产 PyTorch 应用程序。 首先，生成已经训练过的模型，其次，对大型数据集进行分布式训练。 最后，我们将研究各种框架之间的可移植性。
 
 # 充分利用这本书
 
@@ -84,7 +84,7 @@ torch.Size([2, 3])
 pip3 install https://download.pytorch.org/whl/cu90/torch-1.1.0-cp36-cp36m-win_amd64.whl
 ```
 
-**粗体**：表示新术语，重要单词或您在屏幕上看到的单词。 例如，菜单或对话框中的单词会出现在这样的文本中。 这是一个示例：“ **标量**是单个独立值。”
+**粗体**：表示新术语，重要单词或您在屏幕上看到的单词。 例如，菜单或对话框中的单词会出现在这样的文本中。 这是一个示例：“**标量**是单个独立值。”
 
 警告或重要提示如下所示。
 
@@ -92,7 +92,7 @@ pip3 install https://download.pytorch.org/whl/cu90/torch-1.1.0-cp36-cp36m-win_am
 
 # 栏目
 
-在本书中，您会发现几个经常出现的标题（*准备工作*，*如何执行...* ，*工作原理...* ，[ *和*，另请参阅*）。*
+在本书中，您会发现几个经常出现的标题（“准备工作”，“操作步骤”，“工作原理”，“另见”。
 
 要给出有关如何完成配方的明确说明，请按以下说明使用这些部分：
 

new/pt-ai-fund/3.md

@@ -603,7 +603,7 @@ pip install torchvision==0.x.x
 
 # 定义 CNN 架构
 
-到目前为止，在本章中，我们一直在研究 CNN 的不同组成部分，以及如何将数据集中的数据加载到可以馈入 CNN 模型的格式中。 在本食谱中，我们将通过到目前为止已经看到的完成模型的组件来定义 CNN 模型架构。 这与我们在第 2 章，*处理神经网络*中介绍的全连接神经网络非常相似。 为了更好地理解此配方，从第 2 章，*处理神经网络*修改全连接神经网络的模型定义将是一个好主意。 我们将在 CIFAR10 数据集上建立图像分类模型，我们在*加载图像数据*配方中对此进行了讨论。
+到目前为止，在本章中，我们一直在研究 CNN 的不同组成部分，以及如何将数据集中的数据加载到可以馈入 CNN 模型的格式中。 在本食谱中，我们将通过到目前为止已经看到的完成模型的组件来定义 CNN 模型架构。 这与我们在第 2 章，“处理神经网络”中介绍的全连接神经网络非常相似。 为了更好地理解此配方，从第 2 章，“处理神经网络”修改全连接神经网络的模型定义将是一个好主意。 我们将在 CIFAR10 数据集上建立图像分类模型，我们在*加载图像数据*配方中对此进行了讨论。
 
 # 怎么做...
 
@@ -676,7 +676,7 @@ CNN(
 
 # 这个怎么运作...
 
-此食谱的工作方式与第 2 章和*处理神经网络*时非常相似，当我们研究一个全连接神经网络时。 我们从`__init__()`方法和父类的构造函数开始，定义了从 PyTorch 中的`nn.Module`继承的 CNN 类。 之后，我们通过传入与每一层相关的参数来定义 CNN 中的各个层。 对于我们的第一卷积层，输入通道的数量为 3（RGB），输出通道的数量定义为 16，其平方核大小为 3。第二卷积层采用上一层的张量，并具有 16 个输入通道和 32 个输出通道，内核尺寸为 3 x3。类似地，第三卷积层具有 32 个输入通道和 64 个输出通道，内核尺寸为 3 x 3。 我们还需要一个最大池化层，并使用 2 的内核大小和 2 的步幅。我们使用`.view()`将张量的三个维度展平为一个维度，以便可以将其传递到全连接网络中。 `view`函数中的-1 通过确保`view`函数之前和之后的元素数量保持相同（在本例中为批量大小）来确保将正确的尺寸自动分配给该尺寸。
+此食谱的工作方式与第 2 章，“处理神经网络”时非常相似，当我们研究一个全连接神经网络时。 我们从`__init__()`方法和父类的构造函数开始，定义了从 PyTorch 中的`nn.Module`继承的 CNN 类。 之后，我们通过传入与每一层相关的参数来定义 CNN 中的各个层。 对于我们的第一卷积层，输入通道的数量为 3（RGB），输出通道的数量定义为 16，其平方核大小为 3。第二卷积层采用上一层的张量，并具有 16 个输入通道和 32 个输出通道，内核尺寸为 3 x3。类似地，第三卷积层具有 32 个输入通道和 64 个输出通道，内核尺寸为 3 x 3。 我们还需要一个最大池化层，并使用 2 的内核大小和 2 的步幅。我们使用`.view()`将张量的三个维度展平为一个维度，以便可以将其传递到全连接网络中。 `view`函数中的-1 通过确保`view`函数之前和之后的元素数量保持相同（在本例中为批量大小）来确保将正确的尺寸自动分配给该尺寸。
 
 对于第一个全连接层，我们有 1,024 个输入（通过将最大池后的`64 x 4 x 4`张量展平而获得）和 512 个输出。 对于最后一个全连接层，我们有 512 个输入和 10 个输出，代表输出类别的数量。 我们还为全连接层定义了一个辍学层，概率为 0.3。
 
@@ -694,7 +694,7 @@ CNN(
 
 # 训练图像分类器
 
-现在我们已经定义了模型，接下来的主要步骤是使用手头的数据训练该模型。 这将与我们在第 2 章，*处理神经网络*和我们全连接神经网络中进行的训练非常相似。 在本食谱中，我们将完成训练图像分类器的工作。 如果您在完成本食谱之前，先阅读了第 2 章和*与神经网络*的*实现优化器*食谱，那将非常有用。
+现在我们已经定义了模型，接下来的主要步骤是使用手头的数据训练该模型。 这将与我们在第 2 章，“处理神经网络”和我们全连接神经网络中进行的训练非常相似。 在本食谱中，我们将完成训练图像分类器的工作。 如果您在完成本食谱之前，先阅读了第 2 章和*与神经网络*的*实现优化器*食谱，那将非常有用。
 
 # 怎么做...
 

new/pt-ai-fund/4.md

@@ -472,7 +472,7 @@ return self.fc(hidden)
 
 # 还有更多...
 
-对于具有两个以上状态的毒性审查任务，我们将使用`CrossEntropyLoss()`，对于仅具有一个输出的情感分析器，我们将使用`BCEWithLogitsLoss()`。 其余训练与我们在第 3 章，*用于计算机视觉的卷积神经网络*中看到的内容相同，我们在其中训练了卷积神经网络。
+对于具有两个以上状态的毒性审查任务，我们将使用`CrossEntropyLoss()`，对于仅具有一个输出的情感分析器，我们将使用`BCEWithLogitsLoss()`。 其余训练与我们在第 3 章，“用于计算机视觉的卷积神经网络”中看到的内容相同，我们在其中训练了卷积神经网络。
 
 # 也可以看看
 

new/pt-ai-fund/6.md

@@ -34,7 +34,7 @@ GAN 中的两个模型称为生成器和鉴别器，其中生成器负责创建
 
 # 创建一个 DCGAN 生成器
 
-在本食谱及其后续食谱中，我们将实现 DCGAN。 DCGAN 代表“深度卷积 GAN”； 与香草 GAN 相比，它们有很大的改进。 在 DCGAN 中，我们使用卷积神经网络，而不是香草 GAN 中的全连接网络。 在第 3 章和*用于计算机视觉的卷积神经网络*中，我们看到了第 2 章和*的全连接分类器如何处理神经网络* ，是该领域的一项改进； DCGAN 与香草 GAN 的情况相同。 在 DCGAN 中，我们将使用批量归一化，这是一种技术，它可以将作为输入输入到下一层的层的输出归一化。 批量归一化允许网络的每一层独立于其他层进行学习，从而减少了协变量偏移。
+在本食谱及其后续食谱中，我们将实现 DCGAN。 DCGAN 代表“深度卷积 GAN”； 与香草 GAN 相比，它们有很大的改进。 在 DCGAN 中，我们使用卷积神经网络，而不是香草 GAN 中的全连接网络。 在第 3 章，“用于计算机视觉的卷积神经网络”中，我们看到了第 2 章和*的全连接分类器如何处理神经网络* ，是该领域的一项改进； DCGAN 与香草 GAN 的情况相同。 在 DCGAN 中，我们将使用批量归一化，这是一种技术，它可以将作为输入输入到下一层的层的输出归一化。 批量归一化允许网络的每一层独立于其他层进行学习，从而减少了协变量偏移。
 
 批量归一化是通过缩放来实现的，以使平均值为 0，方差为 1。在此配方中，我们将生成类似于 MNIST 数据集的手写数字，其中包含来自噪声矢量的数据。 我们将扩展此噪声矢量，将其转换为 2D 矩阵，最后将其转换为 28 x 28 黑白图像。 为了增加高度和宽度，我们必须执行与卷积操作相反的操作，这称为反卷积。 我们将在使用卷积执行分类任务时执行此操作。 在执行反卷积时，我们将增加高度和宽度，同时减少通道数。
 
@@ -42,7 +42,7 @@ GAN 中的两个模型称为生成器和鉴别器，其中生成器负责创建
 
 ![](img/89189246-b3a7-49dc-acc5-78bc00c5f9b7.png)
 
-请注意，我们将使用第 3 章和*用于计算机视觉的卷积神经网络* *和*中的概念，因此再次阅读这些食谱将非常有用。
+请注意，我们将使用第 3 章，“用于计算机视觉的卷积神经网络” *和*中的概念，因此再次阅读这些食谱将非常有用。
 
 # 怎么做...
 
@@ -114,7 +114,7 @@ def forward(self, input):
 
 # 这个怎么运作...
 
-在此食谱中，我们进行了变换以将图像转换为张量并对其进行归一化，就像在第 3 章和*用于计算机视觉的卷积神经网络*中所做的一样。 然后，我们确定了机器上的设备：CPU 或 GPU。 然后，我们定义了从`nn.Module`类继承的`Generator_model`类，就像在所有以前的架构中所做的一样。
+在此食谱中，我们进行了变换以将图像转换为张量并对其进行归一化，就像在第 3 章，“用于计算机视觉的卷积神经网络”中所做的一样。 然后，我们确定了机器上的设备：CPU 或 GPU。 然后，我们定义了从`nn.Module`类继承的`Generator_model`类，就像在所有以前的架构中所做的一样。
 
 在构造函数中，我们传递了`z_dim`参数，这是我们的噪声矢量大小。 然后，我们定义了一个全连接单元`self.fc`，我们将噪声矢量传递给该单元，并为其提供了`256 * 7 * 7`输出。 然后，我们定义了一个称为`self.gen`的`nn.Sequential`单元，其中包含用于定义生成器的关键组件。 我们使用 PyTorch 中提供的`nn.ConvTranspose2d`，`nn.BatchNorm2d`和`nn.LeakyReLU`使用一组反卷积，批处理规范化和激活层。 `ConvTranspose2d`接受输入通道，输出通道，内核大小，步幅和填充等参数。 `BatchNorm2d`接受上一层的要素/通道数作为其参数，而 LeakyReLU 接受负斜率的角度。
 
@@ -136,7 +136,7 @@ def forward(self, input):
 
 # 准备好
 
-在本食谱中，我们将严重依赖第 3 章和*用于计算机视觉的卷积神经网络*的食谱，因此最好快速浏览 第 3 章，*用于计算机视觉的卷积神经网络*。
+在本食谱中，我们将严重依赖第 3 章，“用于计算机视觉的卷积神经网络”的食谱，因此最好快速浏览 第 3 章，“用于计算机视觉的卷积神经网络”。
 
 # 怎么做...
 

new/pt-ai-fund/8.md

@@ -440,7 +440,7 @@ pip install onnx
 
 这样，我们就可以进行配方了。
 
-对于此配方，我们还将需要在第 3 章和*用于计算机视觉的卷积神经网络*中在`CIFAR-10`上训练的模型的训练权重。
+对于此配方，我们还将需要在第 3 章，“用于计算机视觉的卷积神经网络”中在`CIFAR-10`上训练的模型的训练权重。
 
 # 怎么做...