PyTorch 2.0深度学习从零开始学

PyTorch是一个开源的机器学习框架，它提供了动态计算图的支持，让用户能够自定义和训练自己的神经网络，目前是机器学习领域中****的框架之一。本书基于PyTorch 2.0，详细介绍深度学习的基本理论、算法和应用案例，配套示例源代码、PPT课件。 《PyTorch？2.0深度学习从零开始学》共分15章，内容包括PyTorch概述、开发环境搭建、基于PyTorch的MNIST分类实战、深度学习理论基础、MNIST分类实战、数据处理与模型可视化、基于PyTorch卷积层的分类实战、PyTorch数据处理与模型可视化、实战ResNet卷积网络模型、有趣的Word Embedding、基于循环神经网络的中文情感分类实战、自然语言处理的编码器、站在巨人肩膀上的预训练模型BERT、自然语言处理的解码器、基于PyTorch的强化学习实战、基于MFCC的语音唤醒实战、基于PyTorch的人脸识别实战。 《PyTorch？2.0深度学习从零开始学》适合深度学习初学者、PyTorch初学者、PyTorch深度学习项目开发人员学习，也可作为高等院校或高职高专学校计算机技术、人工智能、智能科学与技术、数据科学与大数据技术等相关专业的教材。

王晓华，高校资深计算机专业讲师，给研究生和本科生讲授面向对象程序设计、数据结构、Hadoop程序设计等相关课程。主要研究方向为云计算、数据挖掘。曾主持和参与多项国家和省级科研课题，独立完成一项科研成果获省级成果认定，发表过多篇论文，申请有一项专利。

第1章 PyTorch 2.0——一个新的开始 1.1 燎原之势的人工智能 1.1.1 从无到有的人工智能 1.1.2 深度学习与人工智能 1.1.3 应用深度学习解决实际问题 1.1.4 深度学习技术的优势和挑战 1.2 为什么选择PyTorch 2.0 1.2.1 PyTorch的前世今生 1.2.2 更快、更优、更具编译支持——PyTorch 2.0更好的未来 1.2.3 PyTorch 2.0学习路径——从零基础到项目实战 1.3 本章小结 第2章 Hello PyTorch 2.0——深度学习环境搭建 2.1 安装Python 2.1.1 Miniconda的下载与安装 2.1.2 PyCharm的下载与安装 2.1.3 Python代码小练习：计算Softmax函数 2.2 安装PyTorch 2.0 2.2.1 Nvidia 10/20/30/40系列显卡选择的GPU版本 2.2.2 PyTorch 2.0 GPU Nvidia运行库的安装——以CUDA 11.7+cuDNN 8.2.0为例 2.2.3 PyTorch 2.0小练习：Hello PyTorch 2.3 实战：基于PyTorch 2.0的图像去噪 2.3.1 MNIST数据集的准备 2.3.2 MNIST数据集的特征和标签介绍 2.3.3 模型的准备和介绍 2.3.4 模型的损失函数与优化函数 2.3.5 基于深度学习的模型训练 2.4 本章小结 第3章 基于PyTorch的MNIST分类实战 3.1 实战：基于PyTorch的MNIST手写体分类 3.1.1 数据图像的获取与标签的说明 3.1.2 模型的准备（多层感知机） 3.1.3 损失函数的表示与计算 3.1.4 基于PyTorch的手写体识别的实现 3.2 PyTorch 2.0模型结构输出与可视化 3.2.1 查看模型结构和参数信息 3.2.2 基于netron库的PyTorch 2.0模型可视化 3.2.3 更多的PyTorch 2.0模型可视化工具 3.3 本章小结 第4章 深度学习的理论基础 4.1 反向传播神经网络的历史 4.2 反向传播神经网络两个基础算法详解 4.2.1 最小二乘法详解 4.2.2 道士下山的故事——梯度下降算法 4.2.3 最小二乘法的梯度下降算法以及Python实现 4.3 反馈神经网络反向传播算法介绍 4.3.1 深度学习基础 4.3.2 链式求导法则 4.3.3 反馈神经网络的原理与公式推导 4.3.4 反馈神经网络原理的激活函数 4.3.5 反馈神经网络原理的Python实现