PyTorch深度学习应用实战

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**个神经网络程序 51
4-1-1　*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