PyTorch深度学习实战-微课视频版

本书在内容安排上十分精良，为便于数学基础较薄弱的读者学习，引入了深度学习数学基础；再由浅入深地以实战案例讲解的方式，对于误差反向传播法、卷积运算等进行详细剖析，使读者在实现层面上理解；此外还加入了前沿技术，如Batch Normalization等内容。本书提供了8个完整的项目案例、完整的构建过程、详细的视频讲解以及相应源代码，使读者能在实战案例中，深入完成深度学习的学习与掌握。

1986-1992： 北方交通大学讲师； 1992-1994： 比利时VUB大学应用信息技术硕士； 1994-1996： 比利时VUB大学MBA； 1996-2003： IT公司项目经理 2003-至今： 北航软件学院副教授。已出版二十几本教材（其中“计算机导论实践教程”一书获北航2010年教学成果三等奖；“大学计算机英语教程”获北航2012年教学成果二等奖。 主讲课程： 计算机导论、软件工程、职业生涯规划等。

基础篇 第1章 深度学习简介 1.1 计算机视觉 1.1.1 定义 1.1.2 基本任务 1.1.3 传统方法 1.1.4 仿生学与深度学习 1.1.5 现代深度学习 1.1.6 小结 1.2 自然语言处理 1.2.1 自然语言处理的基本问题 1.2.2 传统方法与神经网络方法的比较 1.2.3 发展趋势 1.3 强化学习 1.3.1 什么是强化学习 1.3.2 强化学习算法简介 1.3.3 强化学习的应用 第2章 深度学习框架 2.1 Caffe 2.1.1 Caffe简介 2.1.2 Caffe的特点 2.1.3 Caffe概述 2.2 TensorFlow 2.2.1 TensorFlow简介 2.2.2 数据流图 2.2.3 TensorFlow的特点 2.2.4 TensorFlow概述 2.3 PyTorch 2.3.1 PyTorch简介 2.3.2 PyTorch的特点 2.3.3 PyTorch概述 2.4 三者的比较 2.4.1 Caffe 2.4.2 TensorFlow 2.4.3 PyTorch 第3章 机器学习基础知识 3.1 模型评估与模型参数选择 3.1.1 验证 3.1.2 正则化 3.2 监督学习与非监督学习 3.2.1 监督学习 3.2.2 非监督学习 第4章 PyTorch深度学习基础 4.1 Tensor对象及其运算 4.2 Tensor的索引和切片 4.3 Tensor的变换、拼接和拆分 4.4 PyTorch的Reduction操作 4.5 PyTorch的自动微分 第5章 Logistic回归 5.1 线性回归 5.2 Logistic回归 5.3 用PyTorch实现Logistic回归 5.3.1 数据准备 5.3.2 线性方程 5.3.3 激活函数 5.3.4 损失函数 5.3.5 优化算法 5.3.6 模型可视化 第6章 神经网络基础 6.1 基础概念 6.2 感知器 6.2.1 单层感知器 6.2.2 多层感知器 6.3 BP神经网络 6.3.1 梯度下降 6.3.2 后向传播 6.4 Dropout正则化 6.5 批标准化 6.5.1 Batch Normalization的实现方式 6.5.2 Batch Normalization的使用方法 第7章 卷积神经网络与计算机视觉 7.1 卷积神经网络的基本思想 7.2 卷积操作 7.3 池化层 7.4 卷积神经网络 7.5 经典网络结构 7.5.1 VGG网络 7.5.2 InceptionNet 7.5.3 ResNet 7.6 用PyTorch进行手写数字识别 第8章 神经网络与自然语言处理 8.1 语言建模 8.2 基于多层感知机的架构 8.3 基于循环神经网络的架构 8.3.1 循环单元 8.3.2 通过时间后向传播 8.3.3 带有门限的循环单元 8.3.4 循环神经网络语言模型 8.3.5 神经机器翻译 8.4 基于卷积神经网络的架构 8.5 基于Transformer的架构 8.5.1 多头注意力 8.5.2 非参位置编码 8.5.3 编码器单元与解码器单元 8.6 表示学习与预训练技术 8.6.1 词向量 8.6.2 加入上下文信息的特征表示 8.6.3 网络预训练 8.7 小结 实战篇 第9章 搭建卷积神经网络进行图像分类 9.1 实验数据准备 9.2 数据预处理和准备 9.2.1 数据集的读取 9.2.2 重载data.Dataset类 9.2.3 transform数据预处理 9.3 模型构建 9.3.1 ResNet50 9.3.2 bottleneck的实现 9.3.3 ResNet50卷积层定义 9.3.4 ResNet50 forward实现 9.3.5 预训练参数装载 9.4 模型训练与结果评估 9.4.1 训练类的实现 9.4.2 优化器的定义 9.4.3 学习率衰减 9.4.4 训练 9.5 总结 第10章 图像风格迁移 10.1 VGG模型 10.2 图像风格迁移介绍 10.3 内容损失函数 10.3.1 内容损失函数的定义 10.3.2 内容损失模块的实现 10.4 风格损失函数 10.4.1 风格损失函数的定义 10.4.2 计算Gram矩阵函数的实现 10.4.3 风格损失模块的实现 10.5 优化过程 10.6 图像风格迁移主程序的实现 10.6.1 图像预处理 10.6.2 参数定义 10.6.3 模型初始化 10.6.4 运行风格迁移的主函数 10.6.5 利用VGG网络建立损失函数 10.6.6 风格迁移的优化过程 10.6.7 运行风格迁移 第11章 基于RNN的文本分类 11.1 数据准备 11.2 将名字转换为张量 11.3 构建神经网络 11.4 训练 11.4.1 准备训练 11.4.2 训练RNN网络 11.5 绘制损失变化图 11.6 预测结果 11.7 预测用户输入 第12章 基于CNN的视频行为识别 12.1 问题描述 12.2 源码结构 12.3 数据准备 12.4 模型搭建与训练 12.5 特征图可视化 第13章 实现对抗性样本生成 13.1 威胁模型 13.2 快速梯度符号攻击 13.3 代码实现 13.3.1 输入 13.3.2 受到攻击的模型 13.3.3 FGSM攻击 13.3.4 测试功能 13.3.5 运行攻击 13.3.6 结果分析 13.4 对抗示例 13.5 小结 第14章 实现基于