《 PyTorch深度学习应用实战》[74]百度网盘|亲测有效|pdf下载

编辑推荐

《PyTorch深度学习应用实战》适合深度学习入门者、数据工程师、信息技术工作者阅读，也可作为高校计算机相关专业的教材。

内容简介

《PyTorch深度学习应用实战》以统计学/数学为出发点，介绍深度学习的数理基础，讲解PyTorch的主体架构及最新的模块功能，包括常见算法与相关套件的使用方法，例如对象侦测、生成对抗网络、深度伪造、图像中的文字辨识、脸部辨识、BERT/Transformer、聊天机器人、强化学习、自动语音识别、知识图谱等。本书配有大量案例及图表说明，同时以程序设计取代定理证明，缩短学习过程，增加学习乐趣。

目　　录

第1篇　深度学习导论
第 1 章深度学习介绍 2
1-1　人工智能历经的三波浪潮 2
1-2　AI的学习地图 3
1-3　TensorFlow对比 PyTorch 5
1-4　机器学习开发流程 6
1-5　开发环境安装 7
1-6　免费云端环境开通 9
第2章神经网络原理 12
2-1　的数学与统计知识 12
2-2　万般皆自“回归”起 13
2-3　神经网络 16
2-3-1　神经网络概念 17
2-3-2　梯度下降法 19

第1篇　深度学习导论 第 1 章 深度学习介绍 2 1-1　人工智能历经的三波浪潮 2 1-2　AI的学习地图 3 1-3　TensorFlow对比 PyTorch 5 1-4　机器学习开发流程 6 1-5　开发环境安装 7 1-6　免费云端环境开通 9 第2章 神经网络原理 12 2-1　的数学与统计知识 12 2-2　万般皆自“回归”起 13 2-3　神经网络 16 2-3-1　神经网络概念 17 2-3-2　梯度下降法 19 2-3-3　神经网络权重求解 22 第2篇　PyTorch基础篇 第 3 章 PyTorch 学习路径与主要                功能 25 3-1　PyTorch学习路径 25 3-2　张量运算 26 3-2-1　向量 26 3-2-2　矩阵 30 3-2-3　使用PyTorch 33 3-3　自动微分 36 3-4　神经网络层 43 3-5　总结 50 第 4 章　神经网络实操 51 4-1　撰写第一个神经网络程序 51 4-1-1　最简短的程序 51 4-1-2　程序强化 53 4-1-3　试验 62 4-2　模型种类 67 4-2-1　Sequential model 67 4-2-2　Functional API 68 4-3　神经层 71 4-3-1　完全连接层 72 4-3-2　Dropout Layer 72 4-4　激励函数 72 4-5　损失函数 74 4-6　优化器 75 4-7　效能衡量指标 77 4-8　超参数调校 80 第 5 章　PyTorch 进阶功能 86 5-1　数据集及数据加载器 86 5-2　TensorBoard  92 5-2-1　TensorBoard功能 92 5-2-2　测试 94 5-3　模型部署与TorchServe 99 5-3-1　自行开发网页程序 99 5-3-2　TorchServe 100 第 6 章　卷积神经网络 103 6-1　卷积神经网络简介 103 6-2　卷积 104 6-3　各种卷积 107 6-4　池化层 110 6-5　CNN模型实操 111 6-6　影像数据增强 119 6-7　可解释的AI 126 第 7 章 预先训练的模型 134 7-1　预先训练模型的简介 134 7-2　采用完整的模型 137 7-3　采用部分模型 140 7-4　转移学习 144 7-5　Batch Normalization说明 148 第3篇　进阶的影像应用 第 8 章　对象侦测 153 8-1　图像辨识模型的发展 153 8-2　滑动窗口 154 8-3　方向梯度直方图 156 8-4　R-CNN对象侦测 166 8-5　R-CNN改良 170 8-6　YOLO算法简介 176 8-7　YOLO v5测试 179 8-8　YOLO v5模型训练 181 8-9　YOLO v7测试 181 8-10　YOLO模型训练 183 8-11　SSD算法 186 8-12　对象侦测的效能衡量指标 188 8-13　总结 188
第 9 章　进阶的影像应用 189 9-1　语义分割介绍 189 9-2　自动编码器 190 9-3　语义分割实操 202 9-4　实例分割 208 9-5　风格转换—人人都可以是    毕加索 214 9-6　脸部辨识 220 9-6-1　脸部侦测 221 9-6-2　MTCNN算法 225 9-6-3　脸部追踪 230 9-6-4　脸部特征点侦测 235 9-6-5　脸部验证 240 9-7　光学文字辨识 242 9-8　车牌辨识  245 9-9　卷积神经网络的缺点 249 第 10 章　生成对抗网络 251 10-1　生成对抗网络介绍 251 10-2　生成对抗网络种类 253 10-3　DCGAN 256 10-4　Progressive GAN 264 10-5　Conditional GAN 265 10-6　Pix2Pix 269 10-7　CycleGAN 277 10-8　GAN挑战 282 10-9　深度伪造 284 第4篇　自然语言处理 第 11 章　自然语言处理的介绍 287 11-1　词袋与TF-IDF 287 11-2　词汇前置处理 290 11-3　词向量 295 11-4　GloVe模型 309 11-5　中文处理 311 11-6　spaCy套件 313 第 12 章　自然语言处理的算法 318 12-1　循环神经网络 318 12-2　PyTorch 内建文本数据集 330 12-3　长短期记忆网络 335 12-4　自定义数据集 338 12-5　时间序列预测 340 12-6　Gate Recurrent Unit 344 12-7　股价预测 346 12-8　注意力机制 349 12-9　Transformer架构 361 12-9-1　Transformer原理 361 12-9-2　Transformer效能 363 12-10　BERT 364 12-10-1　Masked LM 365 12-10-2　Next Sentence      Prediction 365 12-10-3　BERT效能微调 366 12-11　Transformers框架 368 12-11-1　Transformers框架     范例 368 12-11-2　Transformers框架效能     微调 377 12-11-3　Transformers中文     模型 382 12-11-4　后续努力 383 12-12　总结 383 第 13 章　ChatBot 384 13-1　ChatBot类别 384 13-2　ChatBot设计 385 13-3　ChatBot实操 387 13-4　ChatBot工具套件 389 13-4-1　ChatterBot实操 389 13-4-2　chatbotAI实操 392 13-4-3　Rasa实操 395 13-5　Dialogflow实操 398 13-5-1　Dialogflow基本功能 400 13-5-2　履行 405 13-5-3　整合 408 13-6　总结 410 第 14 章 语音识别 411 14-1　语音基本认识 412 14-2　语音前置处理 421 14-3　PyTorch语音前置处理 430 14-4　PyTorch内建语音数据集 439 14-5　语音深度学习应用 443 14-6　自动语音识别 454 14-7　自动语音识别实操 457 14-8　总结 457 第5篇　强化学习 第 15 章 强化学习原理及应用 460 15-1　强化学习的基础 460 15-2　强化学习模型 464 15-3　简单的强化学习架构 466 15-4　Gym套件 476 15-5　Gym扩充功能 484 15-6　动态规划 486 15-7　值循环 495 15-8　蒙特卡罗 497 15-9　时序差分 505 15-9-1　SARSA算法 506 15-9-2　Q-learning算法 510 15-10　井字游戏 513 15-11　连续型状态变量与Deep      Q-Learning算法 519 15-12　Actor Critic算法 524 15-13　实际应用案例 525 15-14　其他算法 528 15-15　总结 529 第6篇　图神经网络 第 16 章 图神经网络原理及         应用 531 16-1　图形理论 531 16-2　PyTorch Geometric 541 16-3　图神经网络 545 16-4　总结 551

显示全部信息

前　　言

为何撰写本书
笔者从事机器学习教育训练已届五年，其间也在“IT邦帮忙”撰写过上百篇的文章，从学员及读者的回馈获得许多宝贵意见，期望能将整个历程集结成册。同时，相关领域的进展也在飞速变化，过往的文章内容需要更新，因此借机再重整思绪，想一想如何能将算法的原理解释得更简易清晰，协助读者跨过AI的门槛。另外，也避免流于空谈，尽量增加应用范例，希望能达到即学即用，不要有过多理论的探讨。
AI是一个将数据转化为知识的过程，算法就是过程中的生产设备，最后产出物是模型，再将模型植入各种硬件装置，例如计算机、手机、智能音箱、自动驾驶、医疗诊断仪器等，这些装置就拥有特殊专长的智能，再进一步整合各项技术就构建出智能制造、智能金融、智能交通、智慧医疗、智能城市、智能家居等应用系统。AI的应用领域如此广阔，而个人精力有限，当然不可能具备十八般武艺，样样精通，唯有从基础扎根，再扩及有兴趣的领域。因此，笔者撰写本书的初衷非常单纯，就是希望在读者学习的过程中贡献一点微薄的力量。
PyTorch对比 TensorFlow

为何撰写本书 笔者从事机器学习教育训练已届五年，其间也在“IT邦帮忙”撰写过上百篇的文章，从学员及读者的回馈获得许多宝贵意见，期望能将整个历程集结成册。同时，相关领域的进展也在飞速变化，过往的文章内容需要更新，因此借机再重整思绪，想一想如何能将算法的原理解释得更简易清晰，协助读者跨过AI的门槛。另外，也避免流于空谈，尽量增加应用范例，希望能达到即学即用，不要有过多理论的探讨。 AI是一个将数据转化为知识的过程，算法就是过程中的生产设备，最后产出物是模型，再将模型植入各种硬件装置，例如计算机、手机、智能音箱、自动驾驶、医疗诊断仪器等，这些装置就拥有特殊专长的智能，再进一步整合各项技术就构建出智能制造、智能金融、智能交通、智慧医疗、智能城市、智能家居等应用系统。AI的应用领域如此广阔，而个人精力有限，当然不可能具备十八般武艺，样样精通，唯有从基础扎根，再扩及有兴趣的领域。因此，笔者撰写本书的初衷非常单纯，就是希望在读者学习的过程中贡献一点微薄的力量。 PyTorch对比 TensorFlow 深度学习的初学者常会问“应该选择PyTorch还是TensorFlow框架”，依笔者个人看法，PyTorch、TensorFlow好比倚天剑与屠龙刀，各有所长，两个框架的发展方向有所不同。例如，在侦测方面PyTorch比较容易，但用TensorFlow/Keras建模、训练、预测都只要一行程序。另外，对象侦测主流算法YOLO的第4版以TensorFlow开发，第5版以后则以PyTorch开发，若我们只懂TensorFlow，那就无法使用最新版了。 PyTorch与TensorFlow的基本设计概念是相通的，采用相同的学习路径，可以同时学习两个框架。本书主要讲解PyTorch开发，另一本《深度学习全书：公式 推导 代码 TensorFlow全程案例》则以TensorFlow为主，两本对照，可以发现要兼顾学习一点也不难，还可以比较彼此的优劣。 本书主要的特点 (1)由于笔者身为统计人，希望能“以统计学/数学为出发点”，介绍深度学习 的数理基础，但又不希望内文有太多数学公式的推导，让离开校园已久的读者看到一堆数学符号就心生恐惧，因此，尝试“以程序设计取代定理证明”，缩短学习过程，增进学习乐趣。 (2) PyTorch版本迭代快速，几乎每一两个月就更新一个小版本，并且不断地推出新扩充模块，本书期望除对PyTorch主体架构做完整性的介绍外，也尽可能对最新的模块功能做深入探讨。 (3)各种算法介绍以理解为主，辅以大量图表说明，摒弃长篇大论。 (4)完整的范例程序及各种算法的延伸应用，以实用为目的，希望能触发读者灵感，能在项目或产品内应用。 (5)介绍日益普及的算法与相关套件的使用，例如YOLO(对象侦测)、GAN(生成对抗网络、DeepFake(深度伪造)、OCR(辨识图像中的文字)、脸部辨识、BERT/Transformer、聊天机器人(ChatBot)、强化学习(Reinforcement Learning)、自动语音识别(ASR) 、知识图谱(Knowledge Graph)等。 目标对象 (1)深度学习的入门者：必须熟悉Python程序语言及机器学习基本概念。 (2)数据工程师：以应用系统开发为志向，希望能应用各种算法，进行实操。 (3)信息技术工作者：希望能扩展深度学习知识领域。 (4)从事其他领域的工作，希望能一窥深度学习奥秘者。 阅读重点 第1章介绍AI的发展趋势，鉴古知今，了解前两波AI失败的原因，比较第三波发展的差异性。 第2章介绍深度学习 的统计学/数学基础，彻底理解神经网络求解的方法(梯度下降法)与原理。 第3章介绍PyTorch基础功能，包括张量(Tensor)运算、自动微分、神经层及神经网络模型。 第4章开始实操，依照机器学习10项流程，以PyTorch撰写完整的范例，包括各种损失函数、优化器、效能衡量指标。 第5章介绍PyTorch进阶功能，包括各种工具，如数据集(Dataset)、数据加载器(DataLoader)、前置处理、TensorBoard及TorchServe部署工具，包括Web、桌面程序。 第6~10章介绍图像/视频的算法及各种应用。 第11~14章介绍自然语言处理、语音及各种应用。 第15章介绍AlphaGo的基础—“强化学习”算法。 第16章介绍图神经网络(Graph Neural Network, GNN)。 本书范例程序代码及素材、参考资料请扫描下方二维码下载。                  程序代码及素材                参考资料 致谢 因作者水平有限，还是有许多议题成为遗珠之憾，仍待后续的努力。感谢清华大学出版社的大力支持，使本书得以顺利出版；谢谢家人的默默支持。 书中内容如有疏漏、谬误，欢迎来信指教(duy@tup.tsinghua.edu.cn)。 作者 2023年10月

显示全部信息