《深度學習原理與PyTorch實戰》是2020年4月人民郵電出版社出版的圖書，作者是集智俱樂部。
基本介紹
- 中文名：深度學習原理與PyTorch實戰
- 作者：集智俱樂部
- ISBN：9787115516053
- 頁數：331頁
- 定價：79元
- 出版社：人民郵電出版社
- 出版時間：2020年4月
- 裝幀：平裝
- 開本：16開
內容簡介,圖書目錄,
內容簡介
本書是一本系統介紹深度學習及開源框架PyTorch的入門書。全書注重實戰，每章圍繞一個有意思的實戰案例展開，不僅循序漸進地講解了PyTorch的基本使用、神經網路的搭建、卷積神經網路和循環神經網路的實現，而且全面深入地介紹了計算機視覺、自然語言處理、遷移學習，以及對抗學習和深度強化學習等前沿技術。讀者通過閱讀本書，可以輕鬆入門深度學習，學會構造一個圖像識別器，生成逼真的圖畫，讓機器理解單詞與文本，讓機器作曲，教會機器玩遊戲，還可以實現一個簡單的機器翻譯系統。
本書適用於人工智慧行業的軟體工程師、對人工智慧感興趣的學生，也非常適合作為深度學習培訓教程。
圖書目錄
第 1章 深度學習簡介 1
1.1 深度學習與人工智慧 1
1.2 深度學習的歷史淵源 2
1.2.1 從感知機到人工神經網路 3
1.2.2 深度學習時代 4
1.2.3 巨頭之間的角逐 5
1.3 深度學習的影響因素 6
1.3.1 大數據 6
1.3.2 深度網路架構 7
1.3.3 GPU 11
1.4 深度學習為什麼如此成功 11
1.4.1 特徵學習（representation learning） 11
1.4.2 遷移學習（transfer learning） 12
1.5 小結 13
參考文獻 14
第 2章 PyTorch簡介 15
2.1 PyTorch安裝 15
2.2 初識PyTorch 15
2.2.1 與Python的完美融合 16
2.2.2 張量計算 16
2.2.3 動態計算圖 20
2.3 PyTorch實例：預測房價 27
2.3.1 準備數據 27
2.3.2 模型設計 28
2.3.3 訓練 29
2.3.4 預測 31
2.3.5 術語彙總 32
2.4 小結 33
第3章 腳踏車預測器：你的第 一個
神經網路 35
3.1 共享腳踏車的煩惱 35
3.2 腳踏車預測器1.0 37
3.2.1 神經網路簡介 37
3.2.2 人工神經元 38
3.2.3 兩個隱含層神經元 40
3.2.4 訓練與運行 42
3.2.5 失敗的神經預測器 43
3.2.6 過擬合 48
3.3 腳踏車預測器2.0 49
3.3.1 數據的預處理過程 49
3.3.2 構建神經網路 52
3.3.3 測試神經網路 55
3.4 剖析神經網路Neu 57
3.5 小結 61
3.6 Q&A 61
第4章 機器也懂感情——中文情緒
分類器 63
4.1 神經網路分類器 64
4.1.1 如何用神經網路做分類 64
4.1.2 分類問題的損失函式 66
4.2 詞袋模型分類器 67
4.2.1 詞袋模型簡介 68
4.2.2 搭建簡單文本分類器 69
4.3 程式實現 70
4.3.1 數據獲取 70
4.3.2 數據處理 74
4.3.3 文本數據向量化 75
4.3.4 劃分數據集 76
4.3.5 建立神經網路 78
4.4 運行結果 80
4.5 剖析神經網路 81
4.6 小結 85
4.7 Q&A 85
第5章 手寫數字識別器——認識卷積
神經網路 87
5.1 什麼是卷積神經網路 88
5.1.1 手寫數字識別任務的CNN
網路及運算過程 88
5.1.2 卷積運算操作 90
5.1.3 池化操作 96
5.1.4 立體卷積核 97
5.1.5 超參數與參數 98
5.1.6 其他說明 99
5.2 手寫數字識別器 100
5.2.1 數據準備 100
5.2.2 構建網路 103
5.2.3 運行模型 105
5.2.4 測試模型 106
5.3 剖析卷積神經網路 107
5.3.1 第 一層卷積核與特徵圖 107
5.3.2 第二層卷積核與特徵圖 109
5.3.3 卷積神經網路的健壯性試驗 110
5.4 小結 112
5.5 Q&A 112
5.6 擴展閱讀 112
第6章 手寫數字加法機——遷移學習 113
6.1 什麼是遷移學習 114
6.1.1 遷移學習的由來 114
6.1.2 遷移學習的分類 115
6.1.3 遷移學習的意義 115
6.1.4 如何用神經網路實現遷移
學習 116
6.2 套用案例：遷移學習如何抗擊貧困 118
6.2.1 背景介紹 118
6.2.2 方法探尋 119
6.2.3 遷移學習方法 120
6.3 螞蟻還是蜜蜂：遷移大型卷積神經
網路 121
6.3.1 任務描述與初步嘗試 121
6.3.2 ResNet與模型遷移 122
6.3.3 代碼實現 123
6.3.4 結果分析 127
6.3.5 更多的模型與數據 128
6.4 手寫數字加法機 128
6.4.1 網路架構 128
6.4.2 代碼實現 129
6.4.3 訓練與測試 136
6.4.4 結果 138
6.4.5 大規模實驗 138
6.5 小結 143
6.6 實踐項目：遷移與效率 143
第7章 你自己的Prisma——圖像
風格遷移 145
7.1 什麼是風格遷移 145
7.1.1 什麼是風格 145
7.1.2 風格遷移的涵義 146
7.2 風格遷移技術發展簡史 147
7.2.1 神經網路之前的風格遷移 147
7.2.2 特定風格的實現 148
7.3 神經網路風格遷移 149
7.3.1 神經網路風格遷移的優勢 150
7.3.2 神經網路風格遷移的基本
思想 150
7.3.3 卷積神經網路的選取 151
7.3.4 內容損失 152
7.3.5 風格損失 152
7.3.6 風格損失原理分析 153
7.3.7 損失函式與最佳化 156
7.4 神經網路風格遷移實戰 157
7.4.1 準備工作 157
7.4.2 建立風格遷移網路 159
7.4.3 風格遷移訓練 162
7.5 小結 165
7.6 擴展閱讀 165
第8章 人工智慧造假術——圖像生成
與對抗學習 166
8.1 反卷積與圖像生成 169
8.1.1 CNN回顧 169
8.1.2 反卷積操作 171
8.1.3 反池化過程 173
8.1.4 反卷積與分數步伐 174
8.1.5 輸出圖像尺寸公式 175
8.1.6 批正則化技術 176
8.2 圖像生成實驗1——最小均方誤差
模型 177
8.2.1 模型思路 177
8.2.2 代碼實現 178
8.2.3 運行結果 182
8.3 圖像生成實驗2——生成器-識別器
模型 184
8.3.1 生成器-識別器模型的實現 184
8.3.2 對抗樣本 187
8.4 圖像生成實驗3——生成對抗網路
GAN 190
8.4.1 GAN的總體架構 191
8.4.2 程式實現 192
8.4.3 結果展示 195
8.5 小結 197
8.6 Q&A 197
8.7 擴展閱讀 198
第9章 辭彙的星空——神經語言模型
與Word2Vec 199
9.1 詞向量技術介紹 199
9.1.1 初識詞向量 199
9.1.2 傳統編碼方式 200
9.2 NPLM：神經機率語言模型 201
9.2.1 NPLM的基本思想 202
9.2.2 NPLM的運作過程詳解 202
9.2.3 讀取NPLM中的詞向量 205
9.2.4 NPLM的編碼實現 206
9.2.5 運行結果 209
9.2.6 NPLM的總結與局限 211
9.3 Word2Vec 211
9.3.1 CBOW模型和Skip-gram模型的結構 211
9.3.2 層級軟最大 213
9.3.3 負採樣 213
9.3.4 總結及分析 214
9.4 Word2Vec的套用 214
9.4.1 在自己的語料庫上訓練Word2Vec詞向量 214
9.4.2 調用現成的詞向量 216
9.4.3 女人-男人=皇后-國王 218
9.4.4 使用向量的空間位置進行詞對詞翻譯 220
9.4.5 Word2Vec小結 221
9.5 小結 221
9.5 Q&A 222
第 10章 LSTM作曲機——序列生成
模型 224
10.1 序列生成問題 224
10.2 RNN與LSTM 225
10.2.1 RNN 226
10.2.2 LSTM 231
10.3 簡單01序列的學習問題 235
10.3.1 RNN的序列學習 236
10.3.2 LSTM的序列學習 245
10.4 LSTM作曲機 248
10.4.1 MIDI檔案 248
10.4.2 數據準備 249
10.4.3 模型結構 249
10.4.4 代碼實現 250
10.5 小結 259
10.6 Q&A 259
10.7 擴展閱讀 259
