深度學習理論與實戰PyTorch案例詳解

內容簡介

本書介紹內容包括支持向量機、線性回歸、決策樹、遺傳算法、深度神經網路（VGG、GooleLeNet、Resnet、MobileNet、EfficientNet）、循環神經網路（LSTM、GRU、Attention）、生成對抗網路（DCGAN、WGAN-GP）、自編碼器、各種聚類算法、目標檢測算法（YOLO、MTCNN）以及強化學習，有助於人工智慧新人搭建一個全面且有用的基礎框架。

本書包含8個實戰，分別是：決策樹、MNIST手寫數字分類、GAN基礎之手寫數字生成、GAN最佳化、風格遷移棄煮懂、目標檢測（YOLO）、人臉檢測（MTCNN）和自然語言處理。8個實戰可以讓讀者對PyTorch的使用達到較高棄付端提水平。

圖書目錄

第1章支持向量機

1．1SVM的原理

1．2SVM求解

1．3核函式

1．4軟間隔

1．5小結

第2章線性回歸與非線性回歸

2．1線性回歸

2．1．1線性回歸問題的一般形式

2．1．2線性回歸中的最最佳化問題

2．1．3問題的求解

2．2非線性回歸分析

2．3初見梯度下降

2．4Python圖解梯度下降

2．5小結

第3章基於規則的決策樹模型

3．1決策樹發展史

3．2決策樹算法

3．2．1ID3算法

3．2．2C4．5

3．2．3CART

3．2．4隨機森林

3．3Boosting家族

3．3．1XGBoost

3．3．2LightGBM

3．3．3CatBoost

3．4小結

第4章遺傳算法家族

4．1遺傳算法

4．1．1編碼

4．1．2初始化種群

4．1．3自然選擇

4．1．4交閥旬叉重組

4．1．5基因突變

4．1．6收斂

4．1．7遺傳算法總結

4．2蟻群算法

4．2．1螞蟻系統

4．2．2精英螞蟻系統

4．2．3最大最小螞蟻系統道翻櫻

4．2．4小結

第5章神經網路

5．1基本組成

5．1．1神經元

5．1．2層

5．2反向傳播

5．2．1複習

5．2．2鋪墊

5．2．3公式推導

5．3反向傳播神經網路

5．4卷積神經網路

5．4．1卷積運算

5．4．2卷積層

5．4．3池化層

5．5循環神經網路

5．5．1RNN用途

5．5．2RNN結構

5．5．3RNN的反向傳播——BPTT

5．6小結

第6章深度神經網路

6．1概述

6．2VGG網路

6．3GoogLeNet

6．3．1Inception v1

6．3．2Inception v2/v3

6．3．3Inception v4

6．3．4InceptionResnet

6．3．5GoogLeNet小結

6．4Resnet

6．5MobileNet

6．5．1CNN計算量如何計算

6．5．2深度可分離卷積

6．5．3ReLU6

6．5．4倒殘差

6．6EfficientNet

6．6．1模型的數學表達

6．6．2複合縮放

6．7風格遷移

6．7．1內容損失函式

6．7．2風格損失函式

6．7．3風格遷移的梯度下降

第7章循環神經網路

7．1長短期記憶網路

7．1．1LSTM結構

7．1．2LSTM出現原因

7．2GRU

7．3注意力機制

7．3．1編碼解碼框架

7．3．2Attention結構

第8章無監督學習

8．1什麼是無監督學習

8．葛籃棵2聚類算法

8．2．1Kmeans算法

8．2．2分級聚類

8．2．3具有噪聲的基於密度的聚類方法

8．3生成對抗網路

8．3．1通俗易懂的解釋

8．3．2原理推導

8．3．3損失函式承擔榜屑的問題

8．3．4條件生成對抗網路

8．4自編漏講愚碼器

8．4．1自編碼器概述

8．4．2去噪自編碼器

8．4．3變分自編碼器

第9章目標檢測

9．1目標檢測概述

9．1．1通俗理解

9．1．2鋪墊知識點

9．1．3發展史

9．2YOLO v1

9．2．1輸出

9．2．2網路

9．2．3輸入

9．2．4損失函式

9．2．5小結

9．3YOLO v2

9．3．1mAP

9．3．2改進

9．3．3整體流程

9．3．4小結

9．4YOLO v3

第10章強化學習

10．1鋪墊知識

10．1．1什麼是RL

10．1．2馬爾可夫決策過程

10．1．3回報Return

10．1．4價值函式

10．1．5貝爾曼方程

10．2DQN

10．2．1DQN損失函式

10．2．2DQN訓練技巧

10．2．3DDQN

10．2．4基於優先權的記憶回放

10．2．5Dueling DQN

10．3全面講解基礎知識

10．3．1策略梯度

10．3．2ActorCritic行動者評論家算法

10．3．3A2C與優勢函式

10．3．4Offpolicy

10．3．5連續動作空間

第11章GAN進階與變種

11．1基礎GAN存在的問題

11．2DCGAN

11．2．1反卷積(轉置卷積+微步卷積)

11．2．2空洞卷積

11．3WGAN

11．3．1GAN問題的再探討

11．3．2解決方案

11．4WGANGP

11．4．1WGAN的問題

11．4．2梯度懲罰

11．5VAEGAN

11．6CVAEGAN

第12章實戰1：決策樹與隨機森林

12．1數據集介紹

12．1．1乳腺癌數據簡介

12．1．2任務介紹

12．2解決思路

12．2．1Pandas庫與Sklearn介紹

12．2．2探索數據

12．2．3決策樹模型

12．2．4隨機森林模型

12．3小結

第13章實戰2： MNIST手寫數字分類

13．1數據集介紹

13．1．1MNIST簡介

13．1．2任務介紹

13．2解決思路

13．2．1圖像處理

13．2．2構建模型的三要素

13．2．3訓練模型

13．2．4評估模型

13．3進一步改進finetune

13．4小結

第14章實戰3： GAN基礎之手寫數字對抗生成

14．1GAN任務描述

14．2GAN解決過程及講解

14．2．1數據準備

14．2．2模型搭建

14．2．3訓練過程(核心)

14．3GAN進化——CGAN

14．4小結

14．5問題發現

第15章實戰4： GAN進階與最佳化

15．1前情提要

15．2WGAN(2017)

15．3WGANGP(2017)

15．4DCGAN(2016)

15．5CVAEGAN

第16章實戰5：風格遷移

16．1任務介紹

16．2解決思路

16．2．1載入模型

16．2．2載入圖片

16．2．3獲取特徵圖和Gram矩陣

16．2．4AI作畫

16．3小結

第17章實戰6：目標檢測(YOLO)

17．1Darknet．py

17．1．1__init__(self)

17．1．2forward(self,x)

17．1．3小結

17．2Detect．py

第18章實戰7：人臉檢測

18．1什麼是MTCNN

18．2MTCNN流程

18．2．1圖像金字塔

18．2．2PNet

18．2．3RNet

18．2．4ONet

18．3訓練過程

第19章實戰8：自然語言處理

19．1正則表達式

19．2快速上手textblob

19．2．1極性分析和詞性標註

19．2．2詞幹提取和拼寫校正

19．2．3單詞字典

19．3基本概念

19．3．1樸素貝葉斯

19．3．2Ngram模型

19．3．3混淆矩陣

19．4基於樸素貝葉斯的垃圾郵件分類

19．5基於隨機森林的垃圾郵件分類

第20章Python與PyTorch相關

20．1PyTorch模型類

20．2PyTorch的data類

20．3激活函式

20．4損失函式

20．4．1均方誤差

20．4．2交叉熵

20．5model．train()與model．eval()

20．6Python的命令行庫argparse

第21章機器學習相關

21．1訓練集、測試集、驗證集

21．2epoch、batch、minibatch等

21．3規範化

21．3．1內部協變數偏移

21．3．2批規範化

21．3．3BN vs LN

21．4SGD與MBGD

21．5適應性矩估計

21．5．1Momentum

21．5．2AdaGrad

21．5．3RMSProp

21．5．4Adam算法小結

21．6正則化與範式

21．7標籤平滑正則化

21．8RBM與DBN

21．9圖片的RGB和HSV

21．10網中網結構

21．11K近鄰算法

21．12模擬退火算法

21．13流形學習

21．14端側神經網路GhostNet(2019)

21．14．1Ghost Module

21．14．2分組卷積

21．14．3SE Module

參考文獻

作者簡介

陳亦新碩士，技術作家，涉及人工智慧、圖像處理和醫學等多個領域，是一名熱愛AI算法、立志AI落地造福社會的普通人。他因心思細膩、擅長換位思考、為人熱情，常常被評價為一名優秀的知識傳播者。他撰寫的技術公眾號“機器學習煉丹術”在短短2個月內收穫上萬冬粉，被冬粉稱為煉丹兄

深度學習理論與實戰PyTorch案例詳解

基本介紹

內容簡介

圖書目錄

作者簡介

作者簡介

相關詞條

熱門詞條