動手學深度學習 (PyTorch版)(精裝版)

作者简介：

阿斯顿·张（Aston Zhang），Amazon资历深厚的研究员，美国伊利诺伊大学香槟分校计算机科学博士，统计学和计算机科学双硕士。他专注于机器学习和自然语言处理的研究，荣获深度学习国际高水平学术会议ICLR杰出论文奖、ACM UbiComp杰出论文奖以及ACM SenSys高水平论文奖提名。他担任过EMNLP领域主席和AAAI程序委员。

[美]扎卡里·C. 立顿（Zachary C. Lipton），美国卡内基梅隆大学机器学习和运筹学助理教授，并在海因茨公共政策学院以及软件和社会系统系担任礼节性任命。他领导着近似正确机器智能（ACMI）实验室，研究涉及核心机器学习方法、其社会影响以及包括临床医学和自然语言处理在内的各种应用领域。他目前的研究重点包括处理各种因果结构下分布变化的稳健和自适应算法、超越预测为决策提供信息（包括应对已部署模型的战略响应）、医学诊断和预后预测、算法公平性和可解释性的基础。他是“Approximately Correct”博客的创立人，也是讽刺性漫画“Superheroes of Deep Learning”的合著者。

李沐（Mu Li），Amazon资历深厚的领衔研究员（Senior Principal Scientist），美国加利福尼亚大学伯克利分校、斯坦福大学客座助理教授，美国卡内基梅隆大学计算机系博士。他曾任机器学习创业公司Marianas Labs的CTO和百度深度学习研究院的主任研发架构师。他专注于机器学习系统和机器学习算法的研究。他在理论与应用、机器学习与操作系统等多个领域的高水平学术会议上发表过论文，被引用上万次。

[德]亚历山大·J. 斯莫拉(Alexander J. Smola)，Amazon副总裁/杰出研究员，德国柏林工业大学计算机科学博士。他曾在澳大利亚国立大学、美国加利福尼亚大学伯克利分校和卡内基梅隆大学任教。他发表过超过300篇学术论文，并著有5本书，其论文及书被引用超过15万次。他的研究兴趣包括深度学习、贝叶斯非参数、核方法、统计建模和可扩展算法。

译者简介：

何孝霆（Xiaoting He），Amazon应用研究员，中国科学院软件工程硕士。他专注于对深度学习的研究，特别是自然语言处理的应用（包括语言模型、AIOps、OCR），相关工作落地于众多企业。他担任过ACL、EMNLP、NAACL、EACL等学术会议的程序委员或审稿人。

瑞潮儿·胡（Rachel Hu），Amazon应用研究员，美国加利福尼亚大学伯克利分校统计学硕士，加拿大滑铁卢大学数学学士。她致力于将机器学习应用于现实世界的产品。她也是Amazon人工智能团队的讲师，教授自然语言处理、计算机视觉和机器学习商业应用等课程。她已向累计1000余名Amazon工程师教授机器学习，其公开课程视频在YouTube和哔哩哔哩上屡获盛赞。

對本書的贊譽

前言

譯者簡介

學習環境配置

資源與支持

主要符號表

第 1章　引言　1

1.1　日常生活中的機器學習　2

1.2　機器學習中的關鍵組件　3

1.2.1　數據　3

1.2.2　模型　4

1.2.3　目標函數　4

1.2.4　優化算法　5

1.3　各種機器學習問題　5

1.3.1　監督學習　5

1.3.2　無監督學習　11

1.3.3　與環境互動　11

1.3.4　強化學習　12

1.4　起源　13

1.5　深度學習的發展　15

1.6　深度學習的成功案例　16

1.7　特點　17

第 2章　預備知識　20

2.1　數據操作　20

2.1.1　入門　21

2.1.2　運算符　22

2.1.3　廣播機制　23

2.1.4　索引和切片　24

2.1.5　節省內存　24

2.1.6　轉換為其他Python對象　25

2.2　數據預處理　26

2.2.1　讀取數據集　26

2.2.2　處理缺失值　26

2.2.3　轉換為張量格式　27

2.3　線性代數　27

2.3.1　標量　28

2.3.2　向量　28

2.3.3　矩陣　29

2.3.4　張量　30

2.3.5　張量算法的基本性質　31

2.3.6　降維　32

2.3.7　點積　33

2.3.8　矩陣-向量積　33

2.3.9　矩陣-矩陣乘法　34

2.3.10　範數　35

2.3.11　關於線性代數的更多信息　36

2.4　微積分　37

2.4.1　導數和微分　37

2.4.2　偏導數　40

2.4.3　梯度　41

2.4.4　鏈式法則　41

2.5　自動微分　42

2.5.1　一個簡單的例子　42

2.5.2　非標量變量的反向傳播　43

2.5.3　分離計算　43

2.5.4　Python控制流的梯度計算　44

2.6　概率　44

2.6.1　基本概率論　45

2.6.2　處理多個隨機變量　48

2.6.3　期望和方差　50

2.7　查閱文檔　51

2.7.1　查找模塊中的所有函數和類　51

2.7.2　查找特定函數和類的用法　52

第3章　線性神經網絡　54

3.1　線性回歸　54

3.1.1　線性回歸的基本元素　54

3.1.2　向量化加速　57

3.1.3　正態分佈與平方損失　58

3.1.4　從線性回歸到深度網絡　60

3.2　線性回歸的從零開始實現　61

3.2.1　生成數據集　62

3.2.2　讀取數據集　63

3.2.3　初始化模型參數　63

3.2.4　定義模型　64

3.2.5　定義損失函數　64

3.2.6　定義優化算法　64

3.2.7　訓練　64

3.3　線性回歸的簡潔實現　66

3.3.1　生成數據集　66

3.3.2　讀取數據集　66

3.3.3　定義模型　67

3.3.4　初始化模型參數　67

3.3.5　定義損失函數　68

3.3.6　定義優化算法　68

3.3.7　訓練　68

3.4　softmax回歸　69

3.4.1　分類問題　69

3.4.2　網絡架構　70

3.4.3　全連接層的參數開銷　70

3.4.4　softmax運算　71

3.4.5　小批量樣本的向量化　71

3.4.6　損失函數　72

3.4.7　信息論基礎　73

3.4.8　模型預測和評估　74

3.5　圖像分類數據集　74

3.5.1　讀取數據集　75

3.5.2　讀取小批量　76

3.5.3　整合所有組件　76

3.6　softmax回歸的從零開始實現　77

3.6.1　初始化模型參數　77

3.6.2　定義softmax操作　78

3.6.3　定義模型　78

3.6.4　定義損失函數　79

3.6.5　分類精度　79

3.6.6　訓練　80

3.6.7　預測　82

3.7　softmax回歸的簡潔實現　83

3.7.1　初始化模型參數　83

3.7.2　重新審視softmax的實現　84

3.7.3　優化算法　84

3.7.4　訓練　84

第4章　多層感知機　86

4.1　多層感知機　86

4.1.1　隱藏層　86

4.1.2　激活函數　88

4.2　多層感知機的從零開始實現　92

4.2.1　初始化模型參數　92

4.2.2　激活函數　93

4.2.3　模型　93

4.2.4　損失函數　93

4.2.5　訓練　93

4.3　多層感知機的簡潔實現　94

模型　94

4.4　模型選擇、欠擬合和過擬合　95

4.4.1　訓練誤差和泛化誤差　96

4.4.2　模型選擇　97

4.4.3　欠擬合還是過擬合　98

4.4.4　多項式回歸　99

4.5　權重衰減　103

4.5.1　範數與權重衰減　103

4.5.2　高維線性回歸　104

4.5.3　從零開始實現　104

4.5.4　簡潔實現　106

4.6　暫退法　108

4.6.1　重新審視過擬合　108

4.6.2　擾動的穩健性　108

4.6.3　實踐中的暫退法　109

4.6.4　從零開始實現　110

4.6.5　簡潔實現　111

4.7　前向傳播、反向傳播和計算圖　112

4.7.1　前向傳播　113

4.7.2　前向傳播計算圖　113

4.7.3　反向傳播　114

4.7.4　訓練神經網絡　115

4.8　數值穩定性和模型初始化　115

4.8.1　梯度消失和梯度爆炸　116

4.8.2　參數初始化　117

4.9　環境和分佈偏移　119

4.9.1　分佈偏移的類型　120

4.9.2　分佈偏移示例　121

4.9.3　分佈偏移糾正　122

4.9.4　學習問題的分類法　125

4.9.5　機器學習中的公平、責任和透明度　126

4.10　實戰Kaggle比賽：預測房價　127

4.10.1　下載和緩存數據集　127

4.10.2　Kaggle　128

4.10.3　訪問和讀取數據集　129

4.10.4　數據預處理　130

4.10.5　訓練　131

4.10.6　K折交叉驗證　132

4.10.7　模型選擇　133

4.10.8　提交Kaggle預測　133

第5章　深度學習計算　136

5.1　層和塊　136

5.1.1　自定義塊　138

5.1.2　順序塊　139

5.1.3　在前向傳播函數中執行代碼　139

5.1.4　效率　140

5.2　參數管理　141

5.2.1　參數訪問　141

5.2.2　參數初始化　143

5.2.3　參數綁定　145

5.3　延後初始化　145

實例化網絡　146

5.4　自定義層　146

5.4.1　不帶參數的層　146

5.4.2　帶參數的層　147

5.5　讀寫文件　148

5.5.1　加載和保存張量　148

5.5.2　加載和保存模型參數　149

5.6　GPU　150

5.6.1　計算設備　151

5.6.2　張量與GPU　152

5.6.3　神經網絡與GPU　153

第6章　捲積神經網絡　155

6.1　從全連接層到捲積　155

6.1.1　不變性　156

6.1.2　多層感知機的限制　157

6.1.3　捲積　158

6.1.4　“沃爾多在哪裡”回顧　158

6.2　圖像捲積　159

6.2.1　互相關運算　159

6.2.2　捲積層　161

6.2.3　圖像中目標的邊緣檢測　161

6.2.4　學習捲積核　162

6.2.5　互相關和捲積　162

6.2.6　特徵映射和感受野　163

6.3　填充和步幅　164

6.3.1　填充　164

6.3.2　步幅　165

6.4　多輸入多輸出通道　166

6.4.1　多輸入通道　167

6.4.2　多輸出通道　167

6.4.3　1×1捲積層　168

6.5　匯聚層　170

6.5.1　最大匯聚和平均匯聚　170

6.5.2　填充和步幅　171

6.5.3　多個通道　172

6.6　捲積神經網絡（LeNet）　173

6.6.1　LeNet　173

6.6.2　模型訓練　175

第7章　現代捲積神經網絡　178

7.1　深度捲積神經網絡（AlexNet）　178

7.1.1　學習表徵　179

7.1.2　AlexNet　181

7.1.3　讀取數據集　183

7.1.4　訓練AlexNet　183

7.2　使用塊的網絡（VGG）　184

7.2.1　VGG塊　184

7.2.2　VGG網絡　185

7.2.3　訓練模型　186

7.3　網絡中的網絡（NiN）　187

7.3.1　NiN塊　187

7.3.2　NiN模型　188

7.3.3　訓練模型　189

7.4　含並行連接的網絡（GoogLeNet）　190

7.4.1　Inception塊　190

7.4.2　GoogLeNet模型　191

7.4.3　訓練模型　193

7.5　批量規範化　194

7.5.1　訓練深層網絡　194

7.5.2　批量規範化層　195

7.5.3　從零實現　196

7.5.4　使用批量規範化層的 LeNet　197

7.5.5　簡明實現　198

7.5.6　爭議　198

7.6　殘差網絡（ResNet）　200

7.6.1　函數類　200

7.6.2　殘差塊　201

7.6.3　ResNet模型　202

7.6.4　訓練模型　204

7.7　稠密連接網絡（DenseNet）　205

7.7.1　從ResNet到DenseNet　205

7.7.2　稠密塊體　206

7.7.3　過渡層　206

7.7.4　DenseNet模型　207

7.7.5　訓練模型　207

第8章　循環神經網絡　209

8.1　序列模型　209

8.1.1　統計工具　210

8.1.2　訓練　212

8.1.3　預測　213

8.2　文本預處理　216

8.2.1　讀取數據集　216

8.2.2　詞元化　217

8.2.3　詞表　217

8.2.4　整合所有功能　219

8.3　語言模型和數據集　219

8.3.1　學習語言模型　220

8.3.2　馬爾可夫模型與n元語法　221

8.3.3　自然語言統計　221

8.3.4　讀取長序列數據　223

8.4　循環神經網絡　226

8.4.1　無隱狀態的神經網絡　227

8.4.2　有隱狀態的循環神經網絡　227

8.4.3　基於循環神經網絡的字符級語言模型　228

8.4.4　困惑度　229

8.5　循環神經網絡的從零開始實現　230

8.5.1　獨熱編碼　231

8.5.2　初始化模型參數　231

8.5.3　循環神經網絡模型　232

8.5.4　預測　232

8.5.5　梯度截斷　233

8.5.6　訓練　234

8.6　循環神經網絡的簡潔實現　237

8.6.1　定義模型　237

8.6.2　訓練與預測　238

8.7　通過時間反向傳播　239

8.7.1　循環神經網絡的梯度分析　239

8.7.2　通過時間反向傳播的細節　241

第9章　現代循環神經網絡　244

9.1　門控循環單元（GRU）　244

9.1.1　門控隱狀態　245

9.1.2　從零開始實現　247

9.1.3　簡潔實現　248

9.2　長短期記憶網絡（LSTM）　249

9.2.1　門控記憶元　249

9.2.2　從零開始實現　252

9.2.3　簡潔實現　253

9.3　深度循環神經網絡　254

9.3.1　函數依賴關系　255

9.3.2　簡潔實現　255

9.3.3　訓練與預測　255

9.4　雙向循環神經網絡　256

9.4.1　隱馬爾可夫模型中的動態規劃　256

9.4.2　雙向模型　258

9.4.3　雙向循環神經網絡的錯誤應用　259

9.5　機器翻譯與數據集　260

9.5.1　下載和預處理數據集　261

9.5.2　詞元化　262

9.5.3　詞表　263

9.5.4　加載數據集　263

9.5.5　訓練模型　264

9.6　編碼器-解碼器架構　265

9.6.1　編碼器　265

9.6.2　解碼器　266

9.6.3　合並編碼器和解碼器　266

9.7　序列到序列學習（seq2seq）　267

9.7.1　編碼器　268

9.7.2　解碼器　269

9.7.3　損失函數　270

9.7.4　訓練　271

9.7.5　預測　272

9.7.6　預測序列的評估　273

9.8　束搜索　275

9.8.1　貪心搜索　275

9.8.2　窮舉搜索　276

9.8.3　束搜索　276

第 10章　註意力機制　278

10.1　註意力提示　278

10.1.1　生物學中的註意力提示　279

10.1.2　查詢、鍵和值　280

10.1.3　註意力的可視化　280

10.2　註意力匯聚：Nadaraya-Watson 核回歸　281

10.2.1　生成數據集　282

10.2.2　平均匯聚　282

10.2.3　非參數註意力匯聚　283

10.2.4　帶參數註意力匯聚　284

10.3　註意力評分函數　287

10.3.1　掩蔽softmax操作　288

10.3.2　加性註意力　289

10.3.3　縮放點積註意力　290

10.4　Bahdanau 註意力　291

10.4.1　模型　291

10.4.2　定義註意力解碼器　292

10.4.3　訓練　293

10.5　多頭註意力　295

10.5.1　模型　295

10.5.2　實現　296

10.6　自註意力和位置編碼　298

10.6.1　自註意力　298

10.6.2　比較捲積神經網絡、循環神經網絡和自註意力　298

10.6.3　位置編碼　299

10.7　Transformer　302

10.7.1　模型　302

10.7.2　基於位置的前饋網絡　303

10.7.3　殘差連接和層規範化　304

10.7.4　編碼器　304

10.7.5　解碼器　305

10.7.6　訓練　307

第 11章　優化算法　311

11.1　優化和深度學習　311

11.1.1　優化的目標　311

11.1.2　深度學習中的優化挑戰　312

11.2　凸性　315

11.2.1　定義　315

11.2.2　性質　317

11.2.3　約束　319

11.3　梯度下降　322

11.3.1　一維梯度下降　322

11.3.2　多元梯度下降　324

11.3.3　自適應方法　326

11.4　隨機梯度下降　329

11.4.1　隨機梯度更新　329

11.4.2　動態學習率　331

11.4.3　凸目標的收斂性分析　332

11.4.4　隨機梯度和有限樣本　333

11.5　小批量隨機梯度下降　334

11.5.1　向量化和緩存　335

11.5.2　小批量　336

11.5.3　讀取數據集　337

11.5.4　從零開始實現　337

11.5.5　簡潔實現　340

11.6　動量法　341

11.6.1　基礎　341

11.6.2　實際實驗　345

11.6.3　理論分析　346

11.7　AdaGrad算法　348

11.7.1　稀疏特徵和學習率　348

11.7.2　預處理　349

11.7.3　算法　350

11.7.4　從零開始實現　351

11.7.5　簡潔實現　352

11.8　RMSProp算法　353

11.8.1　算法　353

11.8.2　從零開始實現　354

11.8.3　簡潔實現　355

11.9　Adadelta算法　356

11.9.1　算法　356

11.9.2　實現　356

11.10　Adam算法　358

11.10.1　算法　358

11.10.2　實現　359

11.10.3　Yogi　360

11.11　學習率調度器　361

11.11.1　一個簡單的問題　361

11.11.2　學習率調度器　363

11.11.3　策略　364

第 12章　計算性能　369

12.1　編譯器和解釋器　369

12.1.1　符號式編程　370

12.1.2　混合式編程　371

12.1.3　Sequential的混合式編程　371

12.2　異步計算　372

通過後端異步處理　373

12.3　自動並行　375

12.3.1　基於GPU的並行計算　375

12.3.2　並行計算與通信　376

12.4　硬件　378

12.4.1　電腦　378

12.4.2　內存　379

12.4.3　存儲器　380

12.4.4　CPU　381

12.4.5　GPU和其他加速卡　383

12.4.6　網絡和總線　385

12.4.7　更多延遲　386

12.5　多GPU訓練　388

12.5.1　問題拆分　388

12.5.2　數據並行性　390

12.5.3　簡單網絡　390

12.5.4　數據同步　391

12.5.5　數據分發　392

12.5.6　訓練　392

12.6　多GPU的簡潔實現　394

12.6.1　簡單網絡　394

12.6.2　網絡初始化　395

12.6.3　訓練　395

12.7　參數服務器　397

12.7.1　數據並行訓練　397

12.7.2　環同步（ring

　　　　synchronization）　399

12.7.3　多機訓練　400

12.7.4　鍵-值存儲　402

第 13章　電腦視覺　404

13.1　圖像增廣　404

13.1.1　常用的圖像增廣方法　404

13.1.2　使用圖像增廣進行訓練　408

13.2　微調　410

13.2.1　步驟　410

13.2.2　熱狗識別　411

13.3　目標檢測和邊界框　415

邊界框　415

13.4　錨框　417

13.4.1　生成多個錨框　417

13.4.2　交並比（IoU）　419

13.4.3　在訓練數據中標註錨框　420

13.4.4　使用非極大值抑制預測

　　　　邊界框　424

13.5　多尺度目標檢測　427

13.5.1　多尺度錨框　427

13.5.2　多尺度檢測　429

13.6　目標檢測數據集　430

13.6.1　下載數據集　430

13.6.2　讀取數據集　431

13.6.3　演示　432

13.7　單發多框檢測（SSD）　433

13.7.1　模型　433

13.7.2　訓練模型　437

13.7.3　預測目標　439

13.8　區域捲積神經網絡（R-CNN）系列　441

13.8.1　R-CNN　441

13.8.2　Fast R-CNN　442

13.8.3　Faster R-CNN　443

13.8.4　Mask R-CNN　444

13.9　語義分割和數據集　445

13.9.1　圖像分割和實例分割　445

13.9.2　Pascal VOC2012 語義分割數據集　446

13.10　轉置捲積　450

13.10.1　基本操作　450

13.10.2　填充、步幅和多通道　451

13.10.3　與矩陣變換的聯系　452

13.11　全捲積網絡　453

13.11.1　構建模型　454

13.11.2　初始化轉置捲積層　455

13.11.3　讀取數據集　456

13.11.4　訓練　456

13.11.5　預測　457

13.12　風格遷移　458

13.12.1　方法　459

13.12.2　閱讀內容和風格圖像　460

13.12.3　預處理和後處理　460

13.12.4　提取圖像特徵　461

13.12.5　定義損失函數　461

13.12.6　初始化合成圖像　463

13.12.7　訓練模型　463

13.13　實戰 Kaggle競賽：圖像分類（CIFAR-10）　464

13.13.1　獲取並組織數據集　465

13.13.2　圖像增廣 　467

13.13.3　讀取數據集　468

13.13.4　定義模型　468

13.13.5　定義訓練函數　468

13.13.6　訓練和驗證模型　469

13.13.7　在Kaggle上對測試集進行分類並提交結果　469

13.14　實戰Kaggle競賽：狗的品種識別（ImageNet Dogs）　470

13.14.1　獲取和整理數據集　471

13.14.2　圖像增廣　472

13.14.3　讀取數據集　472

13.14.4　微調預訓練模型　473

13.14.5　定義訓練函數　473

13.14.6　訓練和驗證模型　474

13.14.7　對測試集分類並在Kaggle提交結果　475

第 14章　自然語言處理：預訓練　476

14.1　詞嵌入（word2vec）　477

14.1.1　為何獨熱向量是一個糟糕的選擇　477

14.1.2　自監督的word2vec　477

14.1.3　跳元模型　477

14.1.4　連續詞袋模型　478

14.2　近似訓練　480

14.2.1　負採樣　480

14.2.2　層序softmax　481

14.3　用於預訓練詞嵌入的數據集　482

14.3.1　讀取數據集　482

14.3.2　下採樣　483

14.3.3　中心詞和上下文詞的提取　484

14.3.4　負採樣　485

14.3.5　小批量加載訓練實例　486

14.3.6　整合代碼　487

14.4　預訓練word2vec　488

14.4.1　跳元模型　488

14.4.2　訓練　489

14.4.3　應用詞嵌入　491

14.5　全局向量的詞嵌入（GloVe）　491

14.5.1　帶全局語料庫統計的跳元模型　492

14.5.2　GloVe模型　492

14.5.3　從共現概率比值理解GloVe模型　493

14.6　子詞嵌入　494

14.6.1　fastText模型　494

14.6.2　字節對編碼　495

14.7　詞的相似度和類比任務　497

14.7.1　加載預訓練詞向量　497

14.7.2　應用預訓練詞向量　499

14.8　來自Transformer的雙向編碼器表示（BERT）　500

14.8.1　從上下文無關到上下文敏感　500

14.8.2　從特定於任務到不可知任務　501

14.8.3　BERT：將ELMo與GPT結合起來　501

14.8.4　輸入表示　502

14.8.5　預訓練任務　504

14.8.6　整合代碼　506

14.9　用於預訓練BERT的數據集　507

14.9.1　為預訓練任務定義輔助函數　508

14.9.2　將文本轉換為預訓練數據集　509

14.10　預訓練BERT　512

14.10.1　預訓練BERT　512

14.10.2　用BERT表示文本　514

第 15章　自然語言處理：應用　515

15.1　情感分析及數據集　516

15.1.1　讀取數據集　516

15.1.2　預處理數據集　517

15.1.3　創建數據迭代器　517

15.1.4　整合代碼　518

15.2　情感分析：使用循環神經網絡　518

15.2.1　使用循環神經網絡表示單個文本　519

15.2.2　加載預訓練的詞向量　520

15.2.3　訓練和評估模型　520

15.3　情感分析：使用捲積神經網絡　521

15.3.1　一維捲積　522

15.3.2　最大時間匯聚層　523

15.3.3　textCNN模型　523

15.4　自然語言推斷與數據集　526

15.4.1　自然語言推斷　526

15.4.2　斯坦福自然語言推斷（SNLI）數據集　527

15.5　自然語言推斷：使用註意力　530

15.5.1　模型　530

15.5.2　訓練和評估模型　533

15.6　針對序列級和詞元級應用微調BERT　535

15.6.1　單文本分類　535

15.6.2　文本對分類或回歸　536

15.6.3　文本標註　537

15.6.4　問答　537

15.7　自然語言推斷：微調BERT　538

15.7.1　加載預訓練的BERT　539

15.7.2　微調BERT的數據集　540

15.7.3　微調BERT　541

附錄A　深度學習工具　543

A.1　使用Jupyter記事本　543

A.1.1　在本地編輯和運行代碼　543

A.1.2　高級選項　545

A.2　使用Amazon SageMaker　546

A.2.1　註冊　547

A.2.2　創建SageMaker實例　547

A.2.3　運行和停止實例　548

A.2.4　更新Notebook　548

A.3　使用Amazon EC2實例　549

A.3.1　創建和運行EC2實例　549

A.3.2　安裝CUDA　553

A.3.3　安裝庫以運行代碼　553

A.3.4　遠程運行Jupyter記事本　554

A.3.5　關閉未使用的實例　554

A.4　選擇服務器和GPU　555

A.4.1　選擇服務器　555

A.4.2　選擇GPU　556

A.5　為本書做貢獻　558

A.5.1　提交微小更改　558

A.5.2　大量文本或代碼修改　559

A.5.3　提交主要更改　559

參考文獻　562