深度學(xué)習(xí)入門之PyTorch

定　價：￥79.00

作　者：	廖星宇著
出版社：	電子工業(yè)出版社
叢編項：	博文視點AI系列
標(biāo)　簽：	計算機/網(wǎng)絡(luò) 人工智能

購買這本書可以去

ISBN：	9787121326202	出版時間：	2017-09-01	包裝：	平裝
開本：	16開	頁數(shù)：	232	字數(shù)：

內(nèi)容簡介

　　深度學(xué)習(xí)如今已經(jīng)成為了科技領(lǐng)域*炙手可熱的技術(shù)，在本書中，我們將幫助你入門深度學(xué)習(xí)的領(lǐng)域。本書將從人工智能的介紹入手，了解機器學(xué)習(xí)和深度學(xué)習(xí)的基礎(chǔ)理論，并學(xué)習(xí)如何用PyTorch框架對模型進行搭建。通過閱讀本書，你將會學(xué)習(xí)到機器學(xué)習(xí)中的線性回歸和logistic回歸，深度學(xué)習(xí)的優(yōu)化方法，多層全連接神經(jīng)網(wǎng)絡(luò)，卷積神經(jīng)網(wǎng)絡(luò)，循環(huán)神經(jīng)網(wǎng)絡(luò)以及生成對抗網(wǎng)絡(luò)，同時從零開始對PyTorch進行學(xué)習(xí)，了解PyTorch基礎(chǔ)及如何用其進行模型的搭建，*后通過實戰(zhàn)了解*前沿的研究成果和PyTorch在實際項目中的應(yīng)用。

作者簡介

　　廖星宇，目前就讀于中國科學(xué)技術(shù)大學(xué)應(yīng)用數(shù)學(xué)系，獲得國家一等獎學(xué)金。在個人博客、知乎等平臺上發(fā)布多篇關(guān)于深度學(xué)習(xí)的文章，具有一定的閱讀量和人氣。

圖書目錄

第1 章深度學(xué)習(xí)介紹1
1．1 人工智能．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 1
1．2 數(shù)據(jù)挖掘、機器學(xué)習(xí)與深度學(xué)習(xí)．．．．．．．．．．．．．．．．．．．．．．． 2
1．2．1 數(shù)據(jù)挖掘．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 3
1．2．2 機器學(xué)習(xí)．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 3
1．2．3 深度學(xué)習(xí)．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 4
1．3 學(xué)習(xí)資源與建議．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 8
第2 章深度學(xué)習(xí)框架11
2．1 深度學(xué)習(xí)框架介紹．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 11
2．2 PyTorch 介紹．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 13
2．2．1 什么是PyTorch ．．．．．．．．．．．．．．．．．．．．．．．．．．．． 13
2．2．2 為何要使用PyTorch ．．．．．．．．．．．．．．．．．．．．．．．．．． 14
2．3 配置PyTorch 深度學(xué)習(xí)環(huán)境．．．．．．．．．．．．．．．．．．．．．．．．．． 15
2．3．1 操作系統(tǒng)的選擇．．．．．．．．．．．．．．．．．．．．．．．．．．．． 15
2．3．2 Python 開發(fā)環(huán)境的安裝．．．．．．．．．．．．．．．．．．．．．．．． 16
2．3．3 PyTorch 的安裝．．．．．．．．．．．．．．．．．．．．．．．．．．．． 18
第3 章多層全連接神經(jīng)網(wǎng)絡(luò)24
3．1 熱身：PyTorch 基礎(chǔ)．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 24
3．1．1 Tensor（張量）．．．．．．．．．．．．．．．．．．．．．．．．．．．． 24
3．1．2 Variable（變量）．．．．．．．．．．．．．．．．．．．．．．．．．．． 26
3．1．3 Dataset（數(shù)據(jù)集）．．．．．．．．．．．．．．．．．．．．．．．．．．． 28
3．1．4 nn．Module（模組）．．．．．．．．．．．．．．．．．．．．．．．．．． 29
3．1．5 torch．optim（優(yōu)化）．．．．．．．．．．．．．．．．．．．．．．．．．． 30
3．1．6 模型的保存和加載．．．．．．．．．．．．．．．．．．．．．．．．．． 31
3．2 線性模型．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 32
3．2．1 問題介紹．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 32
3．2．2 一維線性回歸．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 33
3．2．3 多維線性回歸．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 34
3．2．4 一維線性回歸的代碼實現(xiàn)．．．．．．．．．．．．．．．．．．．．．． 35
3．2．5 多項式回歸．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 38
3．3 分類問題．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 42
3．3．1 問題介紹．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 42
3．3．2 Logistic 起源．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 42
3．3．3 Logistic 分布．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 42
3．3．4 二分類的Logistic 回歸．．．．．．．．．．．．．．．．．．．．．．．． 43
3．3．5 模型的參數(shù)估計．．．．．．．．．．．．．．．．．．．．．．．．．．．． 44
3．3．6 Logistic 回歸的代碼實現(xiàn)．．．．．．．．．．．．．．．．．．．．．．． 45
3．4 簡單的多層全連接前向網(wǎng)絡(luò)．．．．．．．．．．．．．．．．．．．．．．．．． 49
3．4．1 模擬神經(jīng)元．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 49
3．4．2 單層神經(jīng)網(wǎng)絡(luò)的分類器．．．．．．．．．．．．．．．．．．．．．．．． 50
3．4．3 激活函數(shù)．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 51
3．4．4 神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)．．．．．．．．．．．．．．．．．．．．．．．．．．．． 54
3．4．5 模型的表示能力與容量．．．．．．．．．．．．．．．．．．．．．．．． 55
3．5 深度學(xué)習(xí)的基石：反向傳播算法．．．．．．．．．．．．．．．．．．．．．．． 57
3．5．1 鏈?zhǔn)椒▌t．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 57
3．5．2 反向傳播算法．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 58
3．5．3 Sigmoid 函數(shù)舉例．．．．．．．．．．．．．．．．．．．．．．．．．．． 58
3．6 各種優(yōu)化算法的變式．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 59
3．6．1 梯度下降法．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 59
3．6．2 梯度下降法的變式．．．．．．．．．．．．．．．．．．．．．．．．．． 62
3．7 處理數(shù)據(jù)和訓(xùn)練模型的技巧．．．．．．．．．．．．．．．．．．．．．．．．． 64
3．7．1 數(shù)據(jù)預(yù)處理．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 64
3．7．2 權(quán)重初始化．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 66
3．7．3 防止過擬合．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 67
3．8 多層全連接神經(jīng)網(wǎng)絡(luò)實現(xiàn)MNIST 手寫數(shù)字分類．．．．．．．．．．．．．． 69
3．8．1 簡單的三層全連接神經(jīng)網(wǎng)絡(luò)．．．．．．．．．．．．．．．．．．．．． 70
3．8．2 添加激活函數(shù)．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 70
3．8．3 添加批標(biāo)準(zhǔn)化．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 71
3．8．4 訓(xùn)練網(wǎng)絡(luò)．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 71
第4 章卷積神經(jīng)網(wǎng)絡(luò)76
4．1 主要任務(wù)及起源．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 76
4．2 卷積神經(jīng)網(wǎng)絡(luò)的原理和結(jié)構(gòu)．．．．．．．．．．．．．．．．．．．．．．．．． 77
4．2．1 卷積層．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 80
4．2．2 池化層．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 84
4．2．3 全連接層．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 85
4．2．4 卷積神經(jīng)網(wǎng)絡(luò)的基本形式．．．．．．．．．．．．．．．．．．．．．． 85
4．3 PyTorch 卷積模塊．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 87
4．3．1 卷積層．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 87
4．3．2 池化層．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 88
4．3．3 提取層結(jié)構(gòu)．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 90
4．3．4 如何提取參數(shù)及自定義初始化．．．．．．．．．．．．．．．．．．．． 91
4．4 卷積神經(jīng)網(wǎng)絡(luò)案例分析．．．．．．．．．．．．．．．．．．．．．．．．．．．． 92
4．4．1 LeNet ．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 93
4．4．2 AlexNet ．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 94
4．4．3 VGGNet ．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 95
4．4．4 GoogLeNet ．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 98
4．4．5 ResNet ．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 100
4．5 再實現(xiàn)MNIST 手寫數(shù)字分類．．．．．．．．．．．．．．．．．．．．．．．．． 103
4．6 圖像增強的方法．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 105
4．7 實現(xiàn)cifar10 分類．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 107
第5 章循環(huán)神經(jīng)網(wǎng)絡(luò)111
5．1 循環(huán)神經(jīng)網(wǎng)絡(luò)．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 111
5．1．1 問題介紹．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 112
5．1．2 循環(huán)神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)．．．．．．．．．．．．．．．．．．．．．． 112
5．1．3 存在的問題．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 115
5．2 循環(huán)神經(jīng)網(wǎng)絡(luò)的變式：LSTM 與GRU ．．．．．．．．．．．．．．．．．．．． 116
5．2．1 LSTM ．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 116
5．2．2 GRU ．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 119
5．2．3 收斂性問題．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 120
5．3 循環(huán)神經(jīng)網(wǎng)絡(luò)的PyTorch 實現(xiàn)．．．．．．．．．．．．．．．．．．．．．．．． 122
5．3．1 PyTorch 的循環(huán)網(wǎng)絡(luò)模塊．．．．．．．．．．．．．．．．．．．．．．． 122
5．3．2 實例介紹．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 127
5．4 自然語言處理的應(yīng)用．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 131
5．4．1 詞嵌入．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 131
5．4．2 詞嵌入的PyTorch 實現(xiàn)．．．．．．．．．．．．．．．．．．．．．．．． 133
5．4．3 N Gram 模型．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 133
5．4．4 單詞預(yù)測的PyTorch 實現(xiàn)．．．．．．．．．．．．．．．．．．．．．．． 134
5．4．5 詞性判斷．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 136
5．4．6 詞性判斷的PyTorch 實現(xiàn)．．．．．．．．．．．．．．．．．．．．．．． 137
5．5 循環(huán)神經(jīng)網(wǎng)絡(luò)的更多應(yīng)用．．．．．．．．．．．．．．．．．．．．．．．．．．． 140
5．5．1 Many to one ．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 140
5．5．2 Many to Many（shorter）．．．．．．．．．．．．．．．．．．．．．．． 141
5．5．3 Seq2seq ．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 141
5．5．4 CNN+RNN ．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 142
第6 章生成對抗網(wǎng)絡(luò)144
6．1 生成模型．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 144
6．1．1 自動編碼器．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 145
6．1．2 變分自動編碼器．．．．．．．．．．．．．．．．．．．．．．．．．．．． 150
6．2 生成對抗網(wǎng)絡(luò)．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 153
6．2．1 何為生成對抗網(wǎng)絡(luò)．．．．．．．．．．．．．．．．．．．．．．．．．． 153
6．2．2 生成對抗網(wǎng)絡(luò)的數(shù)學(xué)原理．．．．．．．．．．．．．．．．．．．．．． 160
6．3 Improving GAN ．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 164
6．3．1 Wasserstein GAN ．．．．．．．．．．．．．．．．．．．．．．．．．．．． 164
6．3．2 Improving WGAN ．．．．．．．．．．．．．．．．．．．．．．．．．．． 167
6．4 應(yīng)用介紹．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 168
6．4．1 Conditional GAN ．．．．．．．．．．．．．．．．．．．．．．．．．．．． 168
6．4．2 Cycle GAN ．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 170
第7 章深度學(xué)習(xí)實戰(zhàn)173
7．1 實例一――貓狗大戰(zhàn)：運用預(yù)訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)進行特征提取與預(yù)測． 173
7．1．1 背景介紹．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 174
7．1．2 原理分析．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 174
7．1．3 代碼實現(xiàn)．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 177
7．1．4 總結(jié)．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 183
7．2 實例二――Deep Dream：探索卷積神經(jīng)網(wǎng)絡(luò)眼中的世界．．．．．．．．． 183
7．2．1 原理介紹．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 184
7．2．2 預(yù)備知識：backward ．．．．．．．．．．．．．．．．．．．．．．．．． 185
7．2．3 代碼實現(xiàn)．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 190
7．2．4 總結(jié)．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 195
7．3 實例三――Neural-Style：使用PyTorch 進行風(fēng)格遷移．．．．．．．．．．． 196
7．3．1 背景介紹．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 196
7．3．2 原理分析．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 197
7．3．3 代碼實現(xiàn)．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 199
7．3．4 總結(jié)．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 205
7．4 實例四――Seq2seq：通過RNN 實現(xiàn)簡單的Neural Machine Translation ． 205
7．4．1 背景介紹．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 206
7．4．2 原理分析．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 206
7．4．3 代碼實現(xiàn)．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 209
7．4．4 總結(jié)．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 221