[概要]
深層学習、ディープラーニング、ニューラルネットワーク。これらの単語を聞いたことがあり、興味はあるけど難しい数式ばかりでどこから勉強すればいいかわからないということはないでしょうか？この本は深層学習やニューラルネットワークを学習し、実際に自分で動かしてみたいという読者を対象に、近年急速に注目されているPyTorchという非常にシンプルで分かりやすいPythonのライブラリを用いて初心者でも分かりやすく解説した本です。高度な理論や数式の説明は最小限にとどめ、できるだけ例題ベースで実際に動くソースコードを書いていき、実践してから理解するスタイルを心がけています。この本では基本的な線形モデルからスタートし、多層パーセプトロンまで理解した後に様々な応用を紹介します。主な応用としては画像処理と自然言語処理を取り扱います。画像分野では畳み込みニューラルネットワークを用いて単純な画像の識別や粗い画像の高解像度化、GANによる画像生成などを作っていきます。自然言語分野では再帰ニューラルネットワークを用いて文章の識別、生成、そして翻訳のプログラムを作っていきます。また、これらのよくある応用分野ほのかにニューラルネットワークを使用した推薦エンジンやWebAPIの作り方、DockerやONNXを利用したアプリケーションのデプロイなど、ニューラルネットワークと深層学習を実際にプロダクトで使用するための方法についても触れています。

[対象者と目的]
本書はこれからニューラルネットワークや深層学習を学習し、実際に何らかのプロダクトやサービスで使用して見たいというエンジニアや大学生などを対象に、数式を極力使用せずに実例ベースで深層学習がどのように利用できるのか、どうアプリケーションを作るのかを説明し、実際に深層学習を使用するための最初の取っ掛かりになれることを目指しています。

[PyTorch]
PyTorchはFacebook社のメンバーが中心となって開発しているオープンソースの深層学習フレームワークです。老舗フレームワークのTorchを流れをくみ、比較的新しいフレームワークですが信頼性も高いといえます。他のフレームワークでよくあるシンボルを使用したスタイルとは異なり、PyTorchは動的ネットワーク方式を採用していて通常のPythonの関数と同じようにニューラルネットワークを組み立てて計算を行うことができます。そのため近年では研究者やエンジニアを中心に急速に支持を集めている注目のフレームワークです。

[目録]
はじめに
本書の対象と必要な事前知識
本書の構成
環境構築
第1章 PyTorchの基本
1.1 PyTorchの構成
1.2 Tensor
1.3 Variableと自動微分
まとめ
第2章 最尤推定と線形モデル
2.1 確率モデルと最尤推定
2.2 確率的勾配降下法
2.3 線形回帰モデル
2.4 ロジスティック回帰
まとめ
第3章 多層パーセプトロン
3.1 MLPの構築と学習
3.2 DatasetとDataLoader
3.3 学習効率化のTips
3.4 ネットワークのモジュール化
まとめ
第4章 画像処理と畳込みニューラルネット
4.1 画像と畳込み計算
4.2 CNNによる画像分類
4.3 転移学習
4.4 CNN回帰モデルによる画像の高解像度化
4.5 DCGANによる画像生成
まとめ
第5章 自然言語処理と回帰型ニューラルネット
5.1 RNNとは
5.2 テキストデータの数値化
5.3 RNNと文章のクラス分類
5.4 RNNによる文章生成
5.5 Encoder-Decoderモデルによる機械翻訳
まとめ
第6章 推薦システムと行列分解
6.1 行列因子分解
6.2 ニューラル行列因子分解
まとめ
第7章 アプリケーションへの組み込み
7.1 モデルの保存と読み込み
7.2 Flaskを用いたWebAPI化
7.3 Dockerを利用したデプロイ
7.4 ONNXを使用した他のフレームワークとの連携
まとめ
付録
TensorBoardによる可視化