動かしながら学ぶ PyTorchプログラミング入門

詳細目次

Chapter 1　スタートアップ
1 PyTorchについて
2 開発環境の構築について
2.1 自身のPCを使用する場合
PCスペック／PyTorchのインストール
2.2 Google Colaboratoryを使用する場合
PCスペック／利用制限／サンプルコードの使用方法／Notebookの新規作成／Notebookの開き方
GPUの設定／PyTorchのインストール／Google Colaboratoryの基本的な使い方

Chapter 2　PyTorchの基本
1 テンソル（Tensor）
1.1 Tensorの生成
1.2 Tensorとndarrayの変換
1.3 Tensorの操作
1.4 Tensorの演算
2 自動微分（AUTOGRAD）
3 ニューラルネットワークの定義
3.1 nn.Sequentialを使う方法
3.2 自作のクラスを使う方法
3.3 GPUを使う場合
4 損失関数
4.1 バイナリ交差エントロピー損失（nn.BCELoss）
4.2 ロジット付きバイナリ交差エントロピー損失（nn.BCEWithLogitsLoss）
4.3 ソフトマックス交差エントロピー損失（nn.CrossEntropyLoss）
4.4 平均二乗誤差損失（nn.MSELoss）
4.5 平均絶対誤差損失（nn.L1Loss）
5 最適化関数

Chapter 3　ニューラルネットワークの基本
1 ニューラルネットワークについて
2 アヤメの分類【サンプルコード】
2.1 アヤメ（Iris）データセット
2.2 前準備（パッケージのインポート）
2.3 訓練データとテストデータの用意
2.4 ニューラルネットワークの定義
2.5 損失関数と最適化関数の定義
2.6 学習
2.7 結果の可視化
2.8 新たにテスト用のデータセットを用意して推定したい場合
3 糖尿病の予後予測【サンプルコード】
Column 機械学習が対象とする課題
3.1 糖尿病（Diabetes）データセット
3.2 前準備（パッケージのインポート）
3.3 訓練データとテストデータの用意
3.4 ニューラルネットワークの定義
3.5 損失関数と最適化関数の定義
3.6 学習
3.7 結果の可視化

Chapter 4　畳み込みニューラルネットワーク～画像分類プログラムを作る～
1 畳み込みニューラルネットワークについて
1.1 畳み込み層（Convolutional Layer）
1.2 プーリング層（Pooling Layer）
2 CIFAR-10データセットの画像分類【サンプルコード】
2.1 前準備（パッケージのインポート）
2.2 訓練データとテストデータの用意
2.3 ニューラルネットワークの定義
2.4 損失関数と最適化関数の定義
2.5 学習
2.6 結果の可視化
3 CIFAR-10データセットの転移学習【サンプルコード】
3.1 前準備（パッケージのインポート）
3.2 訓練データとテストデータの用意
3.3 学習済みのニューラルネットワークの読み込み
3.4 損失関数と最適化関数の定義
3.5 学習
3.6 結果の可視化
4 画像の高解像度化【サンプルコード】
4.1 Super-Resolution Convolutional Neural Network（SRCNN）
4.2 画像データの準備（Labeled Faces in the Wild）
4.3 前準備（パッケージのインポート）
4.4 訓練データとテストデータの用意
4.5 ニューラルネットワークの定義
4.6 損失関数と最適化関数の定義
4.7 学習
Column PSNRとSSIMについて
4.8 結果の可視化

Chapter 5　再帰型ニューラルネットワーク（時系列データの予測）
～株価予測プログラムを作る～
1 再帰型ニューラルネットワークについて
2 株価予測【サンプルコード
2.1 前準備（パッケージのインポート）
2.2 訓練データとテストデータの用意
2.3 ニューラルネットワークの定義
2.4 損失関数と最適化関数の定義
2.5 学習
2.6 結果の可視化
2.7 テストデータに対する予測の評価
3 Webアプリケーションの組み込み【サンプルコード】
3.1 Flaskのインストール
3.2 必要なファイル
3.3 ファイルの中身
main.py／predict_stockprice.py／get.html／post.html
3.4 実行

Chapter 6　再帰型ニューラルネットワーク（テキストデータの分類）
～映画レビューの感情分析プログラムを作る～
1 ディープラーニングを用いた感情分析
2 感情分析の基本【サンプルコード
2.1 映画レビュー（Internet Movie Database：IMDb）
2.2 前準備（パッケージのインポート）
2.3 訓練データとテストデータの用意
2.4 ニューラルネットワークの定義
2.5 損失関数と最適化関数の定義
2.6 学習
2.7 結果の可視化
3 感情分析の応用【サンプルコード】
3.1 前準備（パッケージのインポート）
3.2 訓練データとテストデータの用意
3.3 ニューラルネットワークの定義
3.4 損失関数と最適化関数の定義
3.5 学習
3.6 結果の可視化
3.7 新しいレビューに対する感情分析
4 感情分析の高速化【サンプルコード】
4.1 fastText
4.2 前準備（パッケージのインポート
4.4 ニューラルネットワークの定義
4.5 損失関数と最適化関数の定義
4.6 学習
4.7 結果の可視化
4.8 新しいレビューに対する感情分析
5 CNNを用いた感情分析【サンプルコード】
5.1 前準備（パッケージのインポート）
5.2 訓練データとテストデータの用意
5.3 ニューラルネットワークの定義
5.4 損失関数と最適化関数の定義
5.5 学習
5.6 結果の可視化
5.7 新しいレビューに対する感情分析
index