深度学习理论与实战——PyTorch案例详解（人工智能科学与技术丛书）

图书标准信息

• 作者 陈亦新 著
• 出版社 清华大学出版社
• 出版时间 2021-01
• 版次 1
• ISBN 9787302568506
• 定价 89.00元
• 装帧 平装
• 开本 16开
• 纸张 胶版纸
• 页数 316页
• 字数 443千字

【内容简介】

本书介绍内容包括支持向量机、线性回归、决策树、遗传算法、深度神经网络（VGG、GooleLeNet、Resnet、MobileNet、EfficientNet）、循环神经网络（LSTM、GRU、Attention）、生成对抗网络（DCGAN、WGAN-GP）、自编码器、各种聚类算法、目标检测算法（YOLO、MTCNN）以及强化学习，有助于人工智能新人搭建一个全面且有用的基础框架。

 

?本书包含8个实战，分别是：决策树、MNIST手写数字分类、GAN基础之手写数字生成、GAN优化、风格迁移、目标检测（YOLO）、人脸检测（MTCNN）和自然语言处理。8个实战可以让读者对PyTorch的使用达到较高水平。

 

【作者简介】

陈亦新  硕士，技术作家，涉及人工智能、图像处理和医学等多个领域，是一名热爱AI算法、立志AI落地造福社会的普通人。他因心思细腻、擅长换位思考、为人热情，常常被评价为一名优秀的知识传播者。他撰写的技术公众号“机器学习炼丹术”在短短2个月内收获上万粉丝，被粉丝称为炼丹兄

【目录】

 

目录

 

 

 

 

 

第1章支持向量机

 

 

1．1SVM的原理

 

 

1．2SVM求解

 

 

1．3核函数

 

 

1．4软间隔

 

 

1．5小结

 

 

第2章线性回归与非线性回归

 

 

2．1线性回归

 

 

2．1．1线性回归问题的一般形式

 

 

2．1．2线性回归中的最优化问题

 

 

2．1．3问题的求解

 

 

2．2非线性回归分析

 

 

2．3初见梯度下降

 

 

2．4Python图解梯度下降

 

 

2．5小结

 

 

第3章基于规则的决策树模型

 

 

3．1决策树发展史

 

 

3．2决策树算法

 

 

3．2．1ID3算法

 

 

3．2．2C4．5

 

 

3．2．3CART

 

 

3．2．4随机森林

 

 

3．3Boosting家族

 

 

3．3．1XGBoost

 

 

3．3．2LightGBM

 

 

3．3．3CatBoost

 

 

3．4小结

 

 

第4章遗传算法家族

 

 

4．1遗传算法

 

 

4．1．1编码

 

 

4．1．2初始化种群

 

 

4．1．3自然选择

 

 

4．1．4交叉重组

 

 

4．1．5基因突变

 

 

4．1．6收敛

 

 

4．1．7遗传算法总结

 

 

4．2蚁群算法

 

 

4．2．1蚂蚁系统

 

 

4．2．2精英蚂蚁系统

 

 

4．2．3最大最小蚂蚁系统

 

 

4．2．4小结

 

 

第5章神经网络

 

 

5．1基本组成

 

 

5．1．1神经元

 

 

5．1．2层

 

 

5．2反向传播

 

 

5．2．1复习

 

 

5．2．2铺垫

 

 

5．2．3公式推导

 

 

5．3反向传播神经网络

 

 

5．4卷积神经网络

 

 

5．4．1卷积运算

 

 

5．4．2卷积层

 

 

5．4．3池化层

 

 

5．5循环神经网络

 

 

5．5．1RNN用途

 

 

5．5．2RNN结构

 

 

5．5．3RNN的反向传播――BPTT

 

 

5．6小结

 

 

第6章深度神经网络

 

 

6．1概述

 

 

6．2VGG网络

 

 

6．3GoogLeNet

 

 

6．3．1Inception v1

 

 

6．3．2Inception v2/v3

 

 

6．3．3Inception v4

 

 

6．3．4InceptionResnet

 

 

6．3．5GoogLeNet小结

 

 

6．4Resnet

 

 

6．5MobileNet

 

 

6．5．1CNN计算量如何计算

 

 

6．5．2深度可分离卷积

 

 

6．5．3ReLU6

 

 

6．5．4倒残差 

 

 

6．6EfficientNet

 

 

6．6．1模型的数学表达

 

 

6．6．2复合缩放

 

 

6．7风格迁移

 

 

6．7．1内容损失函数

 

 

6．7．2风格损失函数

 

 

6．7．3风格迁移的梯度下降

 

 

第7章循环神经网络

 

 

7．1长短期记忆网络

 

 

7．1．1LSTM结构

 

 

7．1．2LSTM出现原因

 

 

7．2GRU

 

 

7．3注意力机制

 

 

7．3．1编码解码框架

 

 

7．3．2Attention结构

 

 

第8章无监督学习

 

 

8．1什么是无监督学习

 

 

8．2聚类算法

 

 

8．2．1Kmeans算法

 

 

8．2．2分级聚类

 

 

8．2．3具有噪声的基于密度的聚类方法

 

 

8．3生成对抗网络

 

 

8．3．1通俗易懂的解释

 

 

8．3．2原理推导

 

 

8．3．3损失函数的问题

 

 

8．3．4条件生成对抗网络

 

 

8．4自编码器

 

 

8．4．1自编码器概述

 

 

8．4．2去噪自编码器

 

 

8．4．3变分自编码器

 

 

第9章目标检测

 

 

9．1目标检测概述

 

 

9．1．1通俗理解

 

 

9．1．2铺垫知识点

 

 

9．1．3发展史

 

 

9．2YOLO v1

 

 

9．2．1输出

 

 

9．2．2网络

 

 

9．2．3输入

 

 

9．2．4损失函数

 

 

9．2．5小结

 

 

9．3YOLO v2

 

 

9．3．1mAP

 

 

9．3．2改进

 

 

9．3．3整体流程

 

 

9．3．4小结

 

 

9．4YOLO v3

 

 

第10章强化学习

 

 

10．1铺垫知识

 

 

10．1．1什么是RL

 

 

10．1．2马尔可夫决策过程

 

 

10．1．3回报Return

 

 

10．1．4价值函数

 

 

10．1．5贝尔曼方程

 

 

10．2DQN

 

 

10．2．1DQN损失函数

 

 

10．2．2DQN训练技巧

 

 

10．2．3DDQN

 

 

10．2．4基于优先级的记忆回放

 

 

10．2．5Dueling DQN

 

 

10．3全面讲解基础知识

 

 

10．3．1策略梯度

 

 

10．3．2ActorCritic行动者评论家算法

 

 

10．3．3A2C与优势函数

 

 

10．3．4Offpolicy

 

 

10．3．5连续动作空间

 

 

第11章GAN进阶与变种

 

 

11．1基础GAN存在的问题

 

 

11．2DCGAN

 

 

11．2．1反卷积(转置卷积+微步卷积)

 

 

11．2．2空洞卷积

 

 

11．3WGAN

 

 

11．3．1GAN问题的再探讨

 

 

11．3．2解决方案

 

 

11．4WGANGP

 

 

11．4．1WGAN的问题

 

 

11．4．2梯度惩罚

 

 

11．5VAEGAN

 

 

11．6CVAEGAN

 

 

 

第12章实战1： 决策树与随机森林

 

 

12．1数据集介绍

 

 

12．1．1乳腺癌数据简介

 

 

12．1．2任务介绍

 

 

12．2解决思路

 

 

12．2．1Pandas库与Sklearn介绍

 

 

12．2．2探索数据

 

 

12．2．3决策树模型

 

 

12．2．4随机森林模型

 

 

12．3小结

 

 

第13章实战2： MNIST手写数字分类

 

 

13．1数据集介绍

 

 

13．1．1MNIST简介

 

 

13．1．2任务介绍

 

 

13．2解决思路

 

 

13．2．1图像处理

 

 

13．2．2构建模型的三要素

 

 

13．2．3训练模型

 

 

13．2．4评估模型

 

 

13．3进一步改进finetune

 

 

13．4小结

 

 

第14章实战3： GAN基础之手写数字对抗生成

 

 

14．1GAN任务描述

 

 

14．2GAN解决过程及讲解

 

 

14．2．1数据准备

 

 

14．2．2模型搭建

 

 

14．2．3训练过程(核心)

 

 

14．3GAN进化――CGAN

 

 

14．4小结

 

 

14．5问题发现

 

 

第15章实战4： GAN进阶与优化

 

 

15．1前情提要

 

 

15．2WGAN(2017)

 

 

15．3WGANGP(2017)

 

 

15．4DCGAN(2016)

 

 

15．5CVAEGAN

 

 

第16章实战5： 风格迁移

 

 

16．1任务介绍

 

 

16．2解决思路

 

 

16．2．1加载模型

 

 

16．2．2加载图片

 

 

16．2．3获取特征图和Gram矩阵

 

 

16．2．4AI作画

 

 

16．3小结

 

 

第17章实战6： 目标检测(YOLO)

 

 

17．1Darknet．py

 

 

17．1．1__init__(self)

 

 

17．1．2forward(self,x)

 

 

17．1．3小结

 

 

17．2Detect．py

 

 

第18章实战7： 人脸检测

 

 

18．1什么是MTCNN

 

 

18．2MTCNN流程

 

 

18．2．1图像金字塔

 

 

18．2．2PNet

 

 

18．2．3RNet

 

 

18．2．4ONet

 

 

18．3训练过程

 

 

第19章实战8： 自然语言处理

 

 

19．1正则表达式

 

 

19．2快速上手textblob

 

 

19．2．1极性分析和词性标注

 

 

19．2．2词干提取和拼写校正

 

 

19．2．3单词字典

 

 

19．3基本概念

 

 

19．3．1朴素贝叶斯

 

 

19．3．2Ngram模型

 

 

19．3．3混淆矩阵

 

 

19．4基于朴素贝叶斯的垃圾邮件分类

 

 

19．5基于随机森林的垃圾邮件分类

 

 

第20章Python与PyTorch相关

 

 

20．1PyTorch模型类

 

 

20．2PyTorch的data类

 

 

20．3激活函数

 

 

20．4损失函数

 

 

20．4．1均方误差

 

 

20．4．2交叉熵

 

 

20．5model．train()与model．eval()

 

 

20．6Python的命令行库argparse

 

 

第21章机器学习相关

 

 

21．1训练集、测试集、验证集

 

 

21．2epoch、batch、minibatch等

 

 

21．3规范化

 

 

21．3．1内部协变量偏移

 

 

21．3．2批规范化

 

 

21．3．3BN vs LN

 

 

21．4SGD与MBGD

 

 

21．5适应性矩估计

 

 

21．5．1Momentum

 

 

21．5．2AdaGrad

 

 

21．5．3RMSProp

 

 

21．5．4Adam算法小结

 

 

21．6正则化与范式

 

 

21．7标签平滑正则化

 

 

21．8RBM与DBN

 

 

21．9图片的RGB和HSV

 

 

21．10网中网结构

 

 

21．11K步邻算法

 

 

21．12模拟退火算法

 

 

21．13流形学习

 

 

21．14端侧神经网络GhostNet(2019)

 

 

21．14．1Ghost Module

 

 

21．14．2分组卷积

 

 

21．14．3SE Module

 

 

参考文献