深度學習入門之PyTorch 廖星宇 PyTorch框架搭建指南教程書籍 pdf epub mobi txt 电子书 下载 2025

☆☆☆☆☆

廖星宇 著

店铺： 蓝墨水图书专营店

出版社： 电子工业出版社

ISBN：9787121326202

商品编码：17916397260

叢書名 ：博文視點AI係列

作 譯 者：廖星宇

齣版時間：2017-09    韆 字 數：299

版    次：01-01    頁    數：232

開    本：16開

裝    幀：

I S B N ：9787121326202     

換    版：

所屬分類：科技 >> 計算機 >> 計算機科學

紙質書定價：￥79.0

深度學習如今已經成為瞭科技領域·炙手可熱的技術，在本書中，我們將幫助你入門深度學習的領域。本書將從人工智能的介紹入手，瞭解機器學習和深度學習的基礎理論，並學習如何用PyTorch框架對模型進行搭建。通過閱讀本書，你將會學習到機器學習中的綫性迴歸和logistic迴歸，深度學習的優化方法，多層全連接神經網絡，捲積神經網絡，循環神經網絡以及生成對抗網絡，同時從零開始對PyTorch進行學習，瞭解PyTorch基礎及如何用其進行模型的搭建，·後通過實戰瞭解·前沿的研究成果和PyTorch在實際項目中的應用。

第1 章深度學習介紹1

1.1 人工智能. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1

1.2 數據挖掘、機器學習與深度學習. . . . . . . . . . . . . . . . . . . . . . . 2

1.2.1 數據挖掘. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3

1.2.2 機器學習. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3

1.2.3 深度學習. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4

1.3 學習資源與建議. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8

第2 章深度學習框架11

2.1 深度學習框架介紹. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11

2.2 PyTorch 介紹. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13

2.2.1 什麼是PyTorch . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13

2.2.2 為何要使用PyTorch . . . . . . . . . . . . . . . . . . . . . . . . . . 14

2.3 配置PyTorch 深度學習環境. . . . . . . . . . . . . . . . . . . . . . . . . . 15

2.3.1 操作係統的選擇. . . . . . . . . . . . . . . . . . . . . . . . . . . . 15

2.3.2 Python 開發環境的安裝. . . . . . . . . . . . . . . . . . . . . . . . 16

2.3.3 PyTorch 的安裝. . . . . . . . . . . . . . . . . . . . . . . . . . . . 18

第3 章多層全連接神經網絡24

3.1 熱身：PyTorch 基礎. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24

3.1.1 Tensor（張量） . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24

3.1.2 Variable（變量） . . . . . . . . . . . . . . . . . . . . . . . . . . . 26

3.1.3 Dataset（數據集） . . . . . . . . . . . . . . . . . . . . . . . . . . . 28

3.1.4 nn.Module（模組） . . . . . . . . . . . . . . . . . . . . . . . . . . 29

3.1.5 torch.optim（優化） . . . . . . . . . . . . . . . . . . . . . . . . . . 30

3.1.6 模型的保存和加載. . . . . . . . . . . . . . . . . . . . . . . . . . 31

3.2 綫性模型. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32

3.2.1 問題介紹. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32

3.2.2 一維綫性迴歸. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33

3.2.3 多維綫性迴歸. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34

3.2.4 一維綫性迴歸的代碼實現. . . . . . . . . . . . . . . . . . . . . . 35

3.2.5 多項式迴歸. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 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 迴歸. . . . . . . . . . . . . . . . . . . . . . . . 43

3.3.5 模型的參數估計. . . . . . . . . . . . . . . . . . . . . . . . . . . . 44

3.3.6 Logistic 迴歸的代碼實現. . . . . . . . . . . . . . . . . . . . . . . 45

3.4 簡單的多層全連接前嚮網絡. . . . . . . . . . . . . . . . . . . . . . . . . 49

3.4.1 模擬神經元. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49

3.4.2 單層神經網絡的分類器. . . . . . . . . . . . . . . . . . . . . . . . 50

3.4.3 激活函數. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51

3.4.4 神經網絡的結構. . . . . . . . . . . . . . . . . . . . . . . . . . . . 54

3.4.5 模型的錶示能力與容量. . . . . . . . . . . . . . . . . . . . . . . . 55

3.5 深度學習的基石：反嚮傳播算法. . . . . . . . . . . . . . . . . . . . . . . 57

3.5.1 鏈式法則. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57

3.5.2 反嚮傳播算法. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58

3.5.3 Sigmoid 函數舉例. . . . . . . . . . . . . . . . . . . . . . . . . . . 58

3.6 各種優化算法的變式. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59

3.6.1 梯度下降法. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59

3.6.2 梯度下降法的變式. . . . . . . . . . . . . . . . . . . . . . . . . . 62

3.7 處理數據和訓練模型的技巧. . . . . . . . . . . . . . . . . . . . . . . . . 64

3.7.1 數據預處理. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64

3.7.2 權重初始化. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66

3.7.3 防止過擬閤. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67

3.8 多層全連接神經網絡實現MNIST 手寫數字分類. . . . . . . . . . . . . . 69

3.8.1 簡單的三層全連接神經網絡. . . . . . . . . . . . . . . . . . . . . 70

3.8.2 添加激活函數. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70

3.8.3 添加批標準化. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71

3.8.4 訓練網絡. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71

第4 章捲積神經網絡76

4.1 主要任務及起源. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76

4.2 捲積神經網絡的原理和結構. . . . . . . . . . . . . . . . . . . . . . . . . 77

4.2.1 捲積層. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80

4.2.2 池化層. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84

4.2.3 全連接層. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85

4.2.4 捲積神經網絡的基本形式. . . . . . . . . . . . . . . . . . . . . . 85

4.3 PyTorch 捲積模塊. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87

4.3.1 捲積層. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87

4.3.2 池化層. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88

4.3.3 提取層結構. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90

4.3.4 如何提取參數及自定義初始化. . . . . . . . . . . . . . . . . . . . 91

4.4 捲積神經網絡案例分析. . . . . . . . . . . . . . . . . . . . . . . . . . . . 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MNIST 手寫數字分類. . . . . . . . . . . . . . . . . . . . . . . . . 103

4.6 圖像增強的方法. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105

4.7 實現cifar10 分類. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107

第5 章循環神經網絡111

5.1 循環神經網絡. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111

5.1.1 問題介紹. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112

5.1.2 循環神經網絡的基本結構. . . . . . . . . . . . . . . . . . . . . . 112

5.1.3 存在的問題. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115

5.2 循環神經網絡的變式：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 循環神經網絡的PyTorch 實現. . . . . . . . . . . . . . . . . . . . . . . . 122

5.3.1 PyTorch 的循環網絡模塊. . . . . . . . . . . . . . . . . . . . . . . 122

5.3.2 實例介紹. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127

5.4 自然語言處理的應用. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131

5.4.1 詞嵌入. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131

5.4.2 詞嵌入的PyTorch 實現. . . . . . . . . . . . . . . . . . . . . . . . 133

5.4.3 N Gram 模型. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133

5.4.4 單詞預測的PyTorch 實現. . . . . . . . . . . . . . . . . . . . . . . 134

5.4.5 詞性判斷. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 136

5.4.6 詞性判斷的PyTorch 實現. . . . . . . . . . . . . . . . . . . . . . . 137

5.5 循環神經網絡的更多應用. . . . . . . . . . . . . . . . . . . . . . . . . . . 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 章生成對抗網絡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 生成對抗網絡. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 153

6.2.1 何為生成對抗網絡. . . . . . . . . . . . . . . . . . . . . . . . . . 153

6.2.2 生成對抗網絡的數學原理. . . . . . . . . . . . . . . . . . . . . . 160

6.3 Improving GAN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 164

6.3.1 Wasserstein GAN . . . . . . . . . . . . . . . . . . . . . . . . . . . . 164

6.3.2 Improving WGAN . . . . . . . . . . . . . . . . . . . . . . . . . . . 167

6.4 應用介紹. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 168

6.4.1 Conditional GAN . . . . . . . . . . . . . . . . . . . . . . . . . . . . 168

6.4.2 Cycle GAN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 170

第7 章深度學習實戰173

7.1 實例一——貓狗大戰：運用預訓練捲積神經網絡進行特徵提取與預測. 173

7.1.1 背景介紹. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 174

7.1.2 原理分析. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 174

7.1.3 代碼實現. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 177

7.1.4 總結. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 183

7.2 實例二——Deep Dream：探索捲積神經網絡眼中的世界. . . . . . . . . 183

7.2.1 原理介紹. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 184

7.2.2 預備知識：backward . . . . . . . . . . . . . . . . . . . . . . . . . 185

7.2.3 代碼實現. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 190

7.2.4 總結. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 195

7.3 實例三——Neural-Style：使用PyTorch 進行風格遷移. . . . . . . . . . . 196

7.3.1 背景介紹. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 196

7.3.2 原理分析. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 197

7.3.3 代碼實現. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 199

7.3.4 總結. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 205

7.4 實例四——Seq2seq：通過RNN 實現簡單的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. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 209

7.4.4 總結. . . . . . . . . . . . . . . . . . . . . . . . . . .

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆