动手学PyTorch深度学习建模与应用

本书以新版深度学习框架PyTorch为基础，循序渐进 地介绍其在深度学习中的应用。全书共10章，从深度学习 数学知识入手，逐步介绍PyTorch在数值建模、图像建模 、文本建模、音频建模中的基本概念及应用示例，还将介 绍模型的可视化和联邦学习等内容，以扩展读者的视野。 本书在讲解每一个知识点的同时，都配合有动手练习实例 ，便于读者深入理解所学知识，并达成学以致用的目标。 本书原理与实践并重，易于理解且可操作性强，特别 适合PyTorch新手、大学生、研究人员和开发人员使用， 也可作为高等院校相关专业的教学用书。

王国平,毕业于上海海洋大学，硕士，从业10余年，主要从事数据可视化、数据挖掘和大数据分析与研究等工作。精通Tableau、SPSS、PyTorch、Power BI等软件，已出版《IBM SPSS Modeler数据与文本挖掘实战》《Microsoft Power BI数据可视化与数据分析》《Tableau数据可视化从入门到精通》《零基础入门Python数据分析与机器学习》等图书。

第1章 深度学习环境搭建 1.1 深度学习概述 1.1.1 深度学习发展历史 1.1.2 深度学习框架比较 1.1.3 深度学习应用领域 1.2 搭建开发环境 1.2.1 安装Python 3.10 1.2.2 安装Jupyter Lab 1.2.3 安装PyTorch 1.10 1.3 PyTorch应用场景 1.4 动手练习：每日最高温度预测 1.5 练习题 第2章 PyTorch与数学基础 2.1 PyTorch中的函数 2.1.1 函数基础知识 2.1.2 PyTorch中的主要函数 2.2 微分基础 2.2.1 微分及其公式 2.2.2 PyTorch自动微分 2.3 数理统计基础 2.3.1 数理统计及其指标 2.3.2 PyTorch统计函数 2.4 矩阵基础 2.4.1 矩阵及其运算 2.4.2 PyTorch矩阵运算 2.5 动手练习：拟合余弦函数曲线 2.6 练习题 第3章 PyTorch的基本概念 3.1 张量及其创建 3.1.1 张量及其数据类型 3.1.2 数组直接创建张量 3.1.3 概率分布创建张量 3.2 激活函数 3.2.1 激活函数及必要性 3.2.2 Sigmoid激活函数 3.2.3 Tanh激活函数 3.2.4 ReLU激活函数 3.2.5 Leakly ReLU激活函数 3.2.6 其他类型的激活函数 3.3 损失函数 3.3.1 损失函数及选取 3.3.2 L1范数损失函数 3.3.3 均方误差损失函数 3.3.4 交叉熵损失函数 3.3.5 余弦相似度损失 3.3.6 其他损失函数 3.4 优化器 3.4.1 梯度及梯度下降 3.4.2 随机梯度下降算法 3.4.3 标准动量优化算法 3.4.4 AdaGrad算法 3.4.5 RMSProp算法 3.4.6 Adam算法 3.5 动手练习：PyTorch优化器比较 3.6 练习题 第4章 PyTorch深度神经网络 4.1 神经网络概述 4.1.1 神经元模型 4.1.2 多层感知器 4.1.3 前馈神经网络 4.2 卷积神经网络 4.2.1 卷积神经网络的历史 4.2.2 卷积神经网络的结构 4.2.3 卷积神经网络的类型 4.3 几种常见的循环神经网络 4.3.1 循环神经网络 4.3.2 长短期记忆网络 4.3.3 门控循环单元 4.4 动手练习：股票成交量趋势预测 4.5 练习题 第5章 PyTorch数据建模 5.1 回归分析及案例 5.1.1 回归分析简介 5.1.2 回归分析建模 5.1.3 动手练习：住房价格回归预测 5.2 聚类分析及案例 5.2.1 聚类分析简介 5.2.2 聚类分析建模 5.2.3 动手练习：植物花卉特征聚类 5.3 主成分分析及案例 5.3.1 主成分分析简介 5.3.2 主成分分析建模 5.3.3 动手练习：地区竞争力指标降维 5.4 模型评估与调优 5.4.1 模型评估方法 5.4.2 模型调优方法 5.4.3 动手练习：PyTorch实现交叉验证 5.5 练习题 第6章 PyTorch图像建模 6.1 图像建模概述 6.1.1 图像分类技术 6.1.2 图像识别技术 6.1.3 图像分割技术 6.2 动手练习：创建图像自动分类器 6.2.1 加载数据集 6.2.2 搭建网络模型 6.2.3 训练网络模型 6.2.4 应用网络模型 6.3 动手练习：搭建图像自动识别模型 6.3.1 加载数据集 6.3.2 搭建与训练网络 6.3.3 预测图像数据 6.3.4 图像识别模型的判断 6.4 动手练习：搭建图像自动分割模型 6.4.1 加载数据集 6.4.2 搭建网络模型 6.4.3 训练网络模型 6.4.4 应用网络模型 6.5 练习题 第7章 PyTorch文本建模 7.1 自然语言处理的几个模型 7.1.1 Word2Vec模型 7.1.2 Seq2Seq模型 7.1.3 Attention模型 7.2 动手练习：Word2Vec提取相似文本 7.2.1 加载数据集 7.2.2 搭建网络模型 7.2.3 训练网络模型 7.2.4 应用网络模型 7.3 动手练习：Seq2Seq实现机器翻译 7.3.1 加载数据集 7.3.2 搭建网络模型 7.3.3 训练网络模型 7.3.4 应用网络模型 7.4 动手练习：Attention模型实现文本自动分类 7.4.1 加载数据集 7.4.2 搭建网络模型 7.4.3 训练网络模型 7.4.4 应用网络模型 7.5 练习题 第8章 PyTorch音频建模 8.1 音频处理及应用 8.1.1 音频处理技术 8.1.2 音频摘要及应用 8.1.3 音频识别及应用 8.1.4 音频监控及应用 8.1.5 场景感知及其应用 8.2 音频特征提取步骤 8.2.1 特征提取流程 8.2.2 音频预处理 8.2.3 傅里叶变换 8.2.4 能量谱处理 8.2.5 离散余弦转换 8.3 PyTorch音频建模 8.3.1 加载音频数据源 8.3.2 波形变换的类型 8.3.3 绘制波形频谱图 8.3.4 波形Mu-Law编码 8.3.5 变换前后波形比较 8.4 动手练习：音频相似度分析 8.5 练习题 第9章 PyTorch模型可视化 9.1 Visdom 9.1.1 Visdom简介 9.1.2 Visdom可视化操作 9.1.3 动手练习：识别手写数字 9.2 TensorBoard 9.2.1 TensorBoard简介 9.2.2 TensorBoard基础操作 9.2.3 动手练习：可视化模型参数 9.3 Pytorchviz 9.3.1 Pytorchviz简介 9.3.2 动手练习：Pytorchviz建模可视化 9.4 Netron 9.4.1 Netron简介 9.4.2 动手练习：Netron建模可视化 9.5 练