深度學習原理與PyTorch實戰(zhàn)

目　　錄
第　1章 深度學習簡介　1
1．1　深度學習與人工智能　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絡　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(shù)據　6
1．3．2　深度網絡架構　7
1．3．3　GPU　11
1．4　深度學習為什么如此成功　11
1．4．1　特征學習（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(tài)計算圖　20
2．3　PyTorch實例：預測房價　27
2．3．1　準備數(shù)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　術語匯總　32
2．4　小結　33
第3章　單車預測器：你的第 一個
神經網絡　35
3．1　共享單車的煩惱　35
3．2　單車預測器1．0　37
3．2．1　神經網絡簡介　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　單車預測器2．0　49
3．3．1　數(shù)據的預處理過程　49
3．3．2　構建神經網絡　52
3．3．3　測試神經網絡　55
3．4　剖析神經網絡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　神經網絡分類器　64
4．1．1　如何用神經網絡做分類　64
4．1．2　分類問題的損失函數(shù)　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　程序實現(xiàn)　70
4．3．1　數(shù)據獲取　70
4．3．2　數(shù)據處理　74
4．3．3　文本數(shù)據向量化　75
4．3．4　劃分數(shù)據集　76
4．3．5　建立神經網絡　78
4．4　運行結果　80
4．5　剖析神經網絡　81
4．6　小結　85
4．7　Q&A　85
第5章　手寫數(shù)字識別器——認識卷積
神經網絡　87
5．1　什么是卷積神經網絡　88
5．1．1　手寫數(shù)字識別任務的CNN
網絡及運算過程　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(shù)與參數(shù)　98
5．1．6　其他說明　99
5．2　手寫數(shù)字識別器　100
5．2．1　數(shù)據準備　100
5．2．2　構建網絡　103
5．2．3　運行模型　105
5．2．4　測試模型　106
5．3　剖析卷積神經網絡　107
5．3．1　第 一層卷積核與特征圖　107
5．3．2　第二層卷積核與特征圖　109
5．3．3　卷積神經網絡的健壯性試驗　110
5．4　小結　112
5．5　Q&A　112
5．6　擴展閱讀　112
第6章　手寫數(shù)字加法機——遷移學習　113
6．1　什么是遷移學習　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　如何用神經網絡實現(xiàn)遷移
學習　116
6．2　應用案例：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
網絡　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(xiàn)　123
6．3．4　結果分析　127
6．3．5　更多的模型與數(shù)據　128
6．4　手寫數(shù)字加法機　128
6．4．1　網絡架構　128
6．4．2　代碼實現(xiàn)　129
6．4．3　訓練與測試　136
6．4．4　結果　138
6．4．5　大規(guī)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　什么是風格遷移　145
7．1．1　什么是風格　145
7．1．2　風格遷移的涵義　146
7．2　風格遷移技術發(fā)展簡史　147
7．2．1　神經網絡之前的風格遷移　147
7．2．2　特定風格的實現(xiàn)　148
7．3　神經網絡風格遷移　149
7．3．1　神經網絡風格遷移的優(yōu)勢　150
7．3．2　神經網絡風格遷移的基本
思想　150
7．3．3　卷積神經網絡的選取　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　損失函數(shù)與優(yōu)化　156
7．4　神經網絡風格遷移實戰(zhàn)　157
7．4．1　準備工作　157
7．4．2　建立風格遷移網絡　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　人工智能造假術——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(shù)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(xiàn)　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(xiàn)　184
8．3．2　對抗樣本　187
8．4　圖像生成實驗3——生成對抗網絡
GAN　190
8．4．1　GAN的總體架構　191
8．4．2　程序實現(xiàn)　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　詞匯的星空——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(tǒng)編碼方式　200
9．2　NPLM：神經概率語言模型　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(xiàn)　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　負采樣　213
9．3．4　總結及分析　214
9．4　Word2Vec的應用　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(xiàn)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文件　248
10．4．2　數(shù)據準備　249
10．4．3　模型結構　249
10．4．4　代碼實現(xiàn)　250
10．5　小結　259
10．6　Q&A　259
10．7　擴展閱讀　259