PyTorch深度学习简明实战

图书标准信息

• 作者 日月光华
• 出版社 清华大学出版社
• 出版时间 2022-10
• 版次 1
• ISBN 9787302619840
• 定价 89.80元
• 装帧 其他
• 开本 16开
• 纸张 胶版纸
• 页数 264页
• 字数 327千字

【内容简介】

本书针对深度学习及开源框架——PyTorch，采用简明的语言进行知识的讲解，注重实战。全书分为4篇，共19章。深度学习基础篇（第1章~第6章）包括PyTorch简介与安装、机器学习基础与线性回归、张量与数据类型、分类问题与多层感知器、多层感知器模型与模型训练、梯度下降法、反向传播算法与内置优化器。计算机视觉篇（第7章~第14章）包括计算机视觉与卷积神经网络、卷积入门实例、图像读取与模型保存、多分类问题与卷积模型的优化、迁移学习与数据增强、经典网络模型与特征提取、图像定位基础、图像语义分割。自然语言处理和序列篇（第15章~第17章)包括文本分类与词嵌入、循环神经网络与一维卷积神经网络、序列预测实例。生成对抗网络和目标检测篇（第18章~第19章)包括生成对抗网络、目标检测。
  本书适合人工智能行业的软件工程师、对人工智能感兴趣的学生学习，同时也可作为深度学习的培训教程。

【作者简介】

日月光华：

网易云课堂资深讲师,经验丰富的数据科学家和深度学习算法工程师。擅长使用Python编程,编写爬虫并利用Python进行数据分析和可视化。对机器学习和深度学习有深入理解,熟悉常见的深度学习框架( PyTorch、TensorFlow)和模型，有丰富的深度学习、数据分析和爬虫等开发经验，著有畅销书《Python网络爬虫实例教程(视频讲解版)》。

【目录】

第1篇 深度学习基础篇

第1 章 PyTorch 简介与安装  2

11 PyTorch 简介  2

12 PyTorch 的主要应用  3

13 PyTorch 安装  4

131 CPU 版本PyTorch 安装  5

132 GPU 版本PyTorch 安装  6

133 安装辅助库和安装测试  7

14 本章小结  10

第2 章 机器学习基础与线性回归  11

21 机器学习基础  11

22 线性回归  12

23 本章小结  18

第3 章 张量与数据类型  19

31 PyTorch 张量  19

311 初始化张量  19

312 张量类型  20

313 创建随机值张量  21

314 张量属性  22

315 将张量移动到显存  22

32 张量运算  23

321 与NumPy 数据类型的转换  24

322 张量的变形  24

33 张量的自动微分  25

34 本章小结  26

第4 章 分类问题与多层感知器  27

41 torchvision 库  27

42 加载内置图片数据集  27

43 多层感知器  30

44 激活函数  33

441 ReLU 激活函数  33

442 Sigmoid 激活函数  34

443 Tanh 激活函数  35

444 LeakyReLU 激活函数  36

45 本章小结  37

第5 章 多层感知器模型与模型训练  38

51 多层感知器模型  38

52 损失函数  40

53 优化器  41

54 初始化模型  42

55 编写训练循环  42

56 本章小结  46

第6 章 梯度下降法、反向传播算法与内置优化器  47

61 梯度下降法  47

62 反向传播算法  49

63 PyTorch 内置的优化器  50

631 SGD 优化器  51

632 RMSprop 优化器  51

633 Adam 优化器  51

64 本章小结  52

第2 篇 计算机视觉篇

第7 章 计算机视觉与卷积神经网络  54

71 什么是卷积神经网络  54

72 池化层  57

73 卷积神经网络的整体架构  59

74 本章小结  60

第8 章 卷积入门实例  61

81 数据输入  61

82 创建卷积模型并训练  62

83 函数式API  66

84 超参数选择  67

85 本章小结  68

第9 章 图像读取与模型保存  69

91 加载图片数据集  69

92 创建图片分类模型  74

93 模型保存  77

931 保存和加载模型权重 77

932 保存和恢复检查点  77

933 保存最优参数  79

94 本章小结  80

第10 章 多分类问题与卷积模型的优化  82

101 创建自定义Dataset 类  82

102 基础卷积模型  87

103 Dropout 抑制过拟合  89

104 批标准化  93

105 学习速率衰减  96

106 本章小结  98

第11 章 迁移学习与数据增强  99

111 什么是迁移学习  99

112 数据增强  103

113 微调  109

114 本章小结  112

第12 章 经典网络模型与特征提取  113

121 VGG  113

122 ResNet  115

123 TensorBoard 可视化  117

124 ResNetBasicBlock 结构  120

125 Inception  123

126 DenseNet  126

127 DenseNet 预训练模型提取特征  128

128 本章小结  131

第13 章 图像定位基础  132

131 简单图像定位模型  132

132 数据集观察  133

133 创建模型输入  138

134 创建图像定位模型  141

135 模型保存与测试  146

136 本章小结  147

第14 章 图像语义分割  148

141 常见图像处理任务  148

142 图像语义分割  150

143 U-Net 语义分割模型  152

144 创建输入dataset  154

145 反卷积  158

146 U-Net 模型代码实现  159

147 模型训练  163

148 模型的保存和预测  166

149 本章小结  168

第3 篇 自然语言处理和序列篇

第15 章 文本分类与词嵌入  172

151 文本的数值表示  172

1511 Word2vec  174

1512 Glove  174

1513 Embedding Layer  174

152 torchtext 加载内置文本数据集  175

153 创建DataLoader 和文本分类模型  178

1531 Xavier 初始化方法  181

1532 kaiming 初始化方法  182

154 本章小结  184

第16 章 循环神经网络与一维卷积神经网络  185

161 循环神经网络的概念 185

162 长短期记忆网络  192

163 门控循环单元  194

164 LSTM 和GRU 高阶API  195

165 循环神经网络的应用  197

166 中文文本分类实例  198

167 LSTM 模型的优化  201

168 一维卷积神经网络  203

169 本章小结  207

第17 章 序列预测实例  208

171 时间序列数据集准备  208

172 序列预测模型  214

173 本章小结  215

第4 篇 生成对抗网络和目标检测篇

第18 章 生成对抗网络  218

181 GAN 的概念及应用  218

1811 什么是GAN  218

1812 GAN 的应用  220

182 基本的GAN 实例  221

183 深度卷积生成对抗网络  227

184 本章小结  231

第19 章 目标检测  232

191 什么是目标检测  232

192 常用目标检测算法  234

193 PyTorch 目标检测模块  236

194 目标检测的图像标注 241

195 使用自行标注数据集训练目标检测模型  242

196 本章小结  249

参考文献  250