PyTorch深度学习简明实战

本书针对深度学习及开 源框架——PyTorch，采用 简明的语言进行知识的讲解 ，注重实战。全书分为4篇 ，共19章。深度学习基础篇 （第1章～第6章）包括 PyTorch简介与安装、机器 学习基础与线性回归、张量 与数据类型、分类问题与多 层感知器、多层感知器模型 与模型训练、梯度下降法、 反向传播算法与内置优化器 。计算机视觉篇（第7章～ 第14章）包括计算机视觉与 卷积神经网络、卷积入门实 例、图像读取与模型保存、 多分类问题与卷积模型的优 化、迁移学习与数据增强、 经典网络模型与特征提取、 图像定位基础、图像语义分 割。自然语言处理和序列篇 （第15章～第17章）包括 文本分类与词嵌入、循环神 经网络与一维卷积神经网络 、序列预测实例。生成对抗 网络和目标检测篇（第18章 ～第19章）包括生成对抗网 络、目标检测。 本书适合人工智能行业 的软件工程师、对人工智能 感兴趣的学生学习，同时也 可作为深度学习的培训教程 。

\"日月光华： 网易云课堂资深讲师,经验丰富的数据科学家和深度学习算法工程师。擅长使用Python编程,编写爬虫并利用Python进行数据分析和可视化。对机器学习和深度学习有深入理解,熟悉常见的深度学习框架( PyTorch、TensorFlow)和模型，有丰富的深度学习、数据分析和爬虫等开发经验，著有畅销书《Python网络爬虫实例教程(视频讲解版)》。 \"

第1篇 深度学习基础篇 第1章 PyTorch简介与安装 1.1 PyTorch简介 1.2 PyTorch的主要应用 1.3 PyTorch安装 1.3.1 CPU版本PyTorch安装 1.3.2 GPU版本PyTorch安装 1.3.3 安装辅助库和安装测试 1.4 本章小结 第2章 机器学习基础与线性回归 2.1 机器学习基础 2.2 线性回归 2.3 本章小结 第3章 张量与数据类型 3.1 PyTorch张量 3.1.1 初始化张量 3.1.2 张量类型 3.1.3 创建随机值张量 3.1.4 张量属性 3.1.5 将张量移动到显存 3.2 张量运算 3.2.1 与NumPy数据类型的转换 3.2.2 张量的变形 3.3 张量的自动微分 3.4 本章小结 第4章 分类问题与多层感知器 4.1 torchvision库 4.2 加载内置图片数据集 4.3 多层感知器 4.4 激活函数 4.4.1 ReLU激活函数 4.4.2 Sigmoid激活函数 4.4.3 Tanh激活函数 4.4.4 LeakyReLU激活函数 4.5 本章小结 第5章 多层感知器模型与模型训练 5.1 多层感知器模型 5.2 损失函数 5.3 优化器 5.4 初始化模型 5.5 编写训练循环 5.6 本章小结 第6章 梯度下降法、反向传播算法与内置优化器 6.1 梯度下降法 6.2 反向传播算法 6.3 PyTorch内置的优化器 6.3.1 SGD优化器 6.3.2 RMSprop优化器 6.3.3 Adam优化器 6.4 本章小结 第2篇 计算机视觉篇 第7章 计算机视觉与卷积神经网络 7.1 什么是卷积神经网络 7.2 池化层 7.3 卷积神经网络的整体架构 7.4 本章小结 第8章 卷积入门实例 8.1 数据输入 8.2 创建卷积模型并训练 8.3 函数式API 8.4 超参数选择 8.5 本章小结 第9章 图像读取与模型保存 9.1 加载图片数据集 9.2 创建图片分类模型 9.3 模型保存 9.3.1 保存和加载模型权重 9.3.2 保存和恢复检查点 9.3.3 保存最优参数 9.4 本章小结 第10章 多分类问题与卷积模型的优化 10.1 创建自定义Dataset类 10.2 基础卷积模型 10.3 Dropout抑制过拟合 10.4 批标准化 10.5 学习速率衰减 10.6 本章小结 第11章 迁移学习与数据增强 11.1 什么是迁移学习 11.2 数据增强 11.3 微调 11.4 本章小结 第12章 经典网络模型与特征提取 12.1 VGG 12.2 ResNet 12.3 TensorBoard可视化 12.4 ResNetBasicBlock结构 12.5 Inception 12.6 DenseNet 12.7 DenseNet预训练模型提取特征 12.8 本章小结 第13章 图像定位基础 13.1 简单图像定位模型 13.2 数据集观察 13.3 创建模型输入 13.4 创建图像定位模型 13.5 模型保存与测试 13.6 本章小结 第14章 图像语义分割 14.1 常见图像处理任务 14.2 图像语义分割 14.3 U-Net语义分割模型 14.4 创建输入dataset 14.5 反卷积 14.6 U-Net模型代码实现 14.7 模型训练 14.8 模型的保存和预测 14.9 本章小结 第3篇 自然语言处理和序列篇 第15章 文本分类与词嵌入 15.1 文本的数值表示 15.1.1 Word2vec 15.1.2 Glove 15.1.3 EmbeddingLayer 15.2 torchtext加载内置文本数据集 15.3 创建DataLoader和文本分类模型 15.3.1 Xavier初始化方法 15.3.2 kaiming初始化方法 15.4 本章小结 第16章 循环神经网络与一维卷积神经网络 16.1 循环神经网络的概念 16.2 长短期记忆网络 16.3 门控循环单元 16.4 LSTM和GRU高阶API 16.5 循环神经网络的应用 16.6 中文文本分类实例 16.7 LSTM模型的优化 16.8 一维卷积神经网络 16.9 本章小结 第17章 序列预测实例 17.1 时间序列数据集准备 17.2 序列预测模型 17.3 本章小结 第4篇 生成对抗网络和目标检测篇 第18章 生成对抗网络 18.1 GAN的概念及应用 18.1.1 什么是GAN 18.1.2 GAN的应用 18.2 基本的GAN实例 18.3 深度卷积生成对抗网络 18.4 本章小结 第19章 目标检测 19.1 什么是目标检测 19.2 常用目标检测算法 19.3 PyTorch目标检测模块 19.4 目标检测的图像标注 19.5 使用自行标注数据集训练目标检测模型 19.6 本章小结 参考文献