PyTorch机器学习从入门到实战

图书标准信息

• 作者 校宝在线 孙琳 蒋阳波 汪建成 项斌
• 出版社 机械工业出版社
• 出版时间 2018-10
• 版次 1
• ISBN 9787111610458
• 定价 59.00元
• 装帧 其他
• 开本 16开
• 纸张 胶版纸
• 页数 190页
• 字数 100千字

【内容简介】

近年来，基于深度学习的人工智能掀起了一股学习的热潮。本书是使用PyTorch深度学习框架的入门图书，从深度学习原理入手，由浅入深，阐述深度学习中神经网络、深度神经网络、卷积神经网络、自编码器、循环神经网络等内容，同时穿插学习PyTorch框架的各个知识点和基于知识点的实例。*后，综合运用PyTorch和深度学习知识来解决实践中的具体问题，比如图像识别、文本分类和命令词识别等。可以说，本书是深度学习和PyTorch的入门教程，同时也引领读者进入机遇和挑战共存的人工智能领域。

【目录】

序

前言

第1章  深度学习介绍1

1.1  人工智能、机器学习与深度学习2

1.2  深度学习工具介绍5

1.3 

PyTorch介绍7

1.4  你能从本书中学到什么9

第2章  PyTorch安装和快速上手11

2.1 

PyTorch安装12

2.1.1 

Anaconda安装12

2.1.2 

PyTorch安装19

2.2 

Jupyter Notebook使用19

2.3 

NumPy基础知识22

2.3.1 

基本概念23

2.3.2 

创建数组24

2.3.3 

基本运算26

2.3.4 

索引、切片和迭代27

2.3.5  数组赋值32

2.3.6 

更改数组的形状33

2.3.7 

组合、拆分数组34

2.3.8 

广播35

2.4 

PyTorch基础知识37

2.4.1 

Tensor简介37

2.4.2 

Variable简介38

2.4.3 

CUDA简介38

2.4.4 

模型的保存与加载39

2.4.5 

第一个PyTorch程序40

第3章  神经网络43

3.1  神经元与神经网络44

3.2  激活函数46

3.2.1 

Sigmoid47

3.2.2 

Tanh48

3.2.3 

Hard Tanh49

3.2.4 

ReLU50

3.2.5 

ReLU的扩展51

3.2.6 

Softmax54

3.2.7 

LogSoftmax55

3.3  前向算法55

3.4  损失函数57

3.4.1 

损失函数的概念57

3.4.2 

回归问题57

3.4.3 

分类问题58

3.4.4 

PyTorch中常用的损失函数59

3.5  反向传播算法62

3.6  数据的准备65

3.7 

PyTorch实例：单层神经网络实现66

第4章  深度神经网络及训练70

4.1  深度神经网络72

4.1.1 

神经网络为何难以训练72

4.1.2 

改进策略74

4.2  梯度下降75

4.2.1 

随机梯度下降75

4.2.2 

Mini-Batch梯度下降75

4.3  优化器77

4.3.1 

SGD77

4.3.2 

Momentum77

4.3.3 

AdaGrad78

4.3.4 

RMSProp79

4.3.5 

Adam80

4.3.6 

选择正确的优化算法81

4.3.7 

优化器的使用实例82

4.4  正则化85

4.4.1 

参数规范惩罚85

4.4.2 

Batch Normalization86

4.4.3 

Dropout87

4.5 

PyTorch实例：深度神经网络实现89

第5章  卷积神经网络93

5.1  计算机视觉95

5.1.1 

人类视觉和计算机视觉95

5.1.2 

特征提取95

5.1.3 

数据集97

5.2  卷积神经网络100

5.2.1  

卷积层102

5.2.2 

池化层104

5.2.3 

经典卷积神经网络105

5.3 

MNIST数据集上卷积神经网络的实现110

第6章  嵌入与表征学习114

6.1  PCA115

6.1.1 

PCA原理115

6.1.2 

PCA的PyTorch实现116

6.2  自编码器117

6.2.1 

自编码器原理118

6.2.2 

PyTorch实例：自编码器实现118

6.2.3 

PyTorch实例：基于自编码器的图形去噪122

6.3  词嵌入125

6.3.1 

词嵌入原理125

6.3.2 

PyTorch实例：基于词向量的语言模型实现128

第7章  序列预测模型132

7.1  序列数据处理133

7.2  循环神经网络134

7.3 

LSTM和GRU138

7.4 

LSTM在自然语言处理中的应用142

7.4.1 

词性标注142

7.4.2 

情感分析144

7.5  序列到序列网络145

7.5.1 

序列到序列网络原理145

7.5.2 

注意力机制146

7.6 

PyTorch实例：基于GRU和Attention  的机器翻译147

7.6.1 

公共模块147

7.6.2 

数据处理147

7.6.3 

模型定义151

7.6.4 

训练模块定义155

7.6.5 

训练和模型保存161

7.6.6 

评估过程162

第8章  PyTorch项目实战165

8.1  图像识别和迁移学习——猫狗大战166

8.1.1 

迁移学习介绍166

8.1.2 

计算机视觉工具包166

8.1.3 

猫狗大战的PyTorch实现167

8.2  文本分类172

8.2.1 

文本分类的介绍173

8.2.2 

计算机文本工具包174

8.2.3 

基于CNN的文本分类的PyTorch实现174

8.3  语音识别系统介绍182

8.3.1 

语音识别介绍182

8.3.2 

命令词识别的PyTorch实现183