PyTorch深度學習實戰-微課視頻版

《PyTorch深度學習實戰-微課視頻版》是2021年清華大學出版社出版的圖書，作者是呂雲翔 、劉卓然 、關捷雄 、歐陽植昊 、楊卓謙、華昱雲 、陳妙然、 黎昆昌、 呂可馨、 王淥汀、 。

基本介紹

• 中文名：PyTorch深度學習實戰-微課視頻版
• 作者：呂雲翔 劉卓然 主編 關捷雄 歐陽植昊 楊卓謙 華昱雲 陳妙然 黎昆昌 呂可馨 王淥汀 副主編
• 出版社：清華大學出版社 
• 出版時間：2021年
• 定價：59.90 元 
• ISBN：9787302568209 

內容簡介

本書在內容安排上十分精良，為便於數學基礎較薄弱的讀者學習，引入了深度學習數學基礎；再由淺入深地以實戰案例講解的方式，對於誤差反向傳播法、卷積運算等進行詳細剖析，使讀者在實現層面上理解；此外還加入了前沿技術，如Batch Normalization等內容。本書提供了8個完整的項目案例、完整的構建過程、詳細的視頻講解以及相應原始碼，使讀者能在實戰案例中，深入完成深度學習的學習與掌握。

圖書目錄

基礎篇

第1章深度學習簡介

1.1計算機視覺

1.1.1定義

1.1.2基本任務

1.1.3傳統方法

1.1.4仿生學與深度學習

1.1.5現代深度學習

1.1.6小結

1.2自然語言處理

1.2.1自然語言處理的基本問題

1.2.2傳統方法與神經網路方法的比較

1.2.3發展趨勢

1.3強化學習

1.3.1什麼是強化學習

1.3.2強化學習算法簡介

1.3.3強化學習的套用

第2章深度學習框架

2.1Caffe

2.1.1Caffe簡介

2.1.2Caffe的特點

2.1.3Caffe概述

2.2TensorFlow

2.2.1TensorFlow簡介

2.2.2數據流圖

2.2.3TensorFlow的特點

2.2.4TensorFlow概述

2.3PyTorch

2.3.1PyTorch簡介

2.3.2PyTorch的特點

2.3.3PyTorch概述

2.4三者的比較

2.4.1Caffe

2.4.2TensorFlow

2.4.3PyTorch

第3章機器學習基礎知識

3.1模型評估與模型參數選擇

3.1.1驗證

3.1.2正則化

3.2監督學習與非監督學習

3.2.1監督學習

3.2.2非監督學習

第4章PyTorch深度學習基礎

4.1Tensor對象及其運算

4.2Tensor的索引和切片

4.3Tensor的變換、拼接和拆分

4.4PyTorch的Reduction操作

4.5PyTorch的自動微分

第5章Logistic回歸

5.1線性回歸

5.2Logistic回歸

5.3用PyTorch實現Logistic回歸

5.3.1數據準備

5.3.2線性方程

5.3.3激活函式

5.3.4損失函式

5.3.5最佳化算法

5.3.6模型可視化

第6章神經網路基礎

6.1基礎概念

6.2感知器

6.2.1單層感知器

6.2.2多層感知器

6.3BP神經網路

6.3.1梯度下降

6.3.2後向傳播

6.4Dropout正則化

6.5批標準化

6.5.1Batch Normalization的實現方式

6.5.2Batch Normalization的使用方法

第7章卷積神經網路與計算機視覺

7.1卷積神經網路的基本思想

7.2卷積操作

7.3池化層

7.4卷積神經網路

7.5經典網路結構

7.5.1VGG網路

7.5.2InceptionNet

7.5.3ResNet

7.6用PyTorch進行手寫數字識別

第8章神經網路與自然語言處理

8.1語言建模

8.2基於多層感知機的架構

8.3基於循環神經網路的架構

8.3.1循環單元

8.3.2通過時間後向傳播

8.3.3帶有門限的循環單元

8.3.4循環神經網路語言模型

8.3.5神經機器翻譯

8.4基於卷積神經網路的架構

8.5基於Transformer的架構

8.5.1多頭注意力

8.5.2非參位置編碼

8.5.3編碼器單元與解碼器單元

8.6表示學習與預訓練技術

8.6.1詞向量

8.6.2加入上下文信息的特徵表示

8.6.3網路預訓練

8.7小結

實戰篇

第9章搭建卷積神經網路進行圖像分類

9.1實驗數據準備

9.2數據預處理和準備

9.2.1數據集的讀取

9.2.2重載data.Dataset類

9.2.3transform數據預處理

9.3模型構建

9.3.1ResNet50

9.3.2bottleneck的實現

9.3.3ResNet50卷積層定義

9.3.4ResNet50 forward實現

9.3.5預訓練參數裝載

9.4模型訓練與結果評估

9.4.1訓練類的實現

9.4.2最佳化器的定義

9.4.3學習率衰減

9.4.4訓練

9.5總結

第10章圖像風格遷移

10.1VGG模型

10.2圖像風格遷移介紹

10.3內容損失函式

10.3.1內容損失函式的定義

10.3.2內容損失模組的實現

10.4風格損失函式

10.4.1風格損失函式的定義

10.4.2計算Gram矩陣函式的實現

10.4.3風格損失模組的實現

10.5最佳化過程

10.6圖像風格遷移主程式的實現

10.6.1圖像預處理

10.6.2參數定義

10.6.3模型初始化

10.6.4運行風格遷移的主函式

10.6.5利用VGG網路建立損失函式

10.6.6風格遷移的最佳化過程

10.6.7運行風格遷移

第11章基於RNN的文本分類

11.1數據準備

11.2將名字轉換為張量

11.3構建神經網路

11.4訓練

11.4.1準備訓練

11.4.2訓練RNN網路

11.5繪製損失變化圖

11.6預測結果

11.7預測用戶輸入

第12章基於CNN的視頻行為識別

12.1問題描述

12.2源碼結構

12.3數據準備

12.4模型搭建與訓練

12.5特徵圖可視化

第13章實現對抗性樣本生成

13.1威脅模型

13.2快速梯度符號攻擊

13.3代碼實現

13.3.1輸入

13.3.2受到攻擊的模型

13.3.3FGSM攻擊

13.3.4測試功能

13.3.5運行攻擊

13.3.6結果分析

13.4對抗示例

13.5小結

第14章實現基於LSTM的情感分析

14.1情感分析常用的Python工具庫

14.1.1PyTorch

14.1.2tqdm

14.1.3Pandas

14.1.4Gensim

14.1.5collections

14.2數據樣本分析

14.3數據預處理

14.4算法模型

14.4.1循環神經網路

14.4.2長短期記憶神經網路

14.4.3模型實現

14.5小結

第15章實現DCGAN

15.1生成對抗網路

15.2DCGAN介紹

15.3初始化代碼

15.3.1初始化相關庫

15.3.2數據載入

15.4模型實現

15.4.1權重初始化

15.4.2生成器

15.4.3判別器

15.4.4判別器代碼

15.4.5損失函式和最佳化器

15.4.6訓練

15.5結果

15.5.1損失與訓練疊代次數關係圖

15.5.2生成器G的訓練進度

15.5.3真實圖像與假圖像

15.6小結

第16章視覺問答

16.1視覺問答簡介

16.2基於BottomUp Attention的聯合嵌入模型

16.3準備工作

16.3.1下載數據

16.3.2安裝必備的軟體包

16.3.3使用配置檔案

16.4實現基礎模組

16.4.1FCNet模組

16.4.2SimpleClassifier模組

16.5實現問題嵌入模組

16.5.1詞嵌入

16.5.2RNN

16.6實現TopDown Attention模組

16.7組裝完整的VQA系統

16.8運行VQA實驗

16.8.1訓練

16.8.2可視化

附錄APyTorch環境搭建

A.1Linux平台下PyTorch環境搭建

A.2Windows平台下PyTorch環境搭建

附錄B深度學習的數學基礎

B.1線性代數

B.2機率論

參考文獻