深度学习框架PYTORCH快速开发与实战

目 录 **部分 理论部分 第1章 深度学习简介 1.1 深度学习 1.2 神经网络的发展 1.3 深度学习的应用 1.4 常用的数学知识和机器学习算法 1.5 PyTorch简介 1.5.1 PyTorch介绍 1.5.2 使用PyTorch的公司 1.5.3 PyTorch API 1.5.4 为什么选择Python语言 1.5.5 Python语言的特点 1.6 常用的机器学习、深度学习开源框架 1.7 其他常用的模块库 1.8 深度学习常用名词 第2章 PyTorch环境安装 2.1 基于Ubuntu环境的安装 2.1.1 安装Anaconda 2.1.2 设置国内镜像 2.2 Conda命令安装PyTorch 2.3 pip命令安装PyTorch 2.4 配置CUDA 第3章 PyTorch基础知识 3.1 张量 3.2 数学操作 3.3 数理统计 3.4 比较操作 第4章 简单案例入门 4.1 线性回归 4.2 逻辑回归 第5章 前馈神经网络 5.1 实现前馈神经网络 5.2 数据集 5.3 卷积层 5.4 Functional函数 5.5 优化算法 5.6 自动求导机制 5.7 保存和加载模型 5.8 GPU加速运算 第6章 PyTorch可视化工具 6.1 Visdom介绍 6.2 Visdom基本概念 6.2.1 Panes（窗格） 6.2.2 Environments（环境） 6.2.3 State（状态） 6.3 安装Visdom 6.4 可视化接口 6.4.1 Python函数属性提取技巧 6.4.2 vis.text 6.4.3 vis.image 6.4.4 vis.scatter 6.4.5 vis.line 6.4.6 vis.stem 6.4.7 vis.heatmap 6.4.8 vis.bar 6.4.9 vis.histogram 6.4.10 vis.boxplot 6.4.11 vis.surf 6.4.12 vis.contour 6.4.13 vis.mesh 6.4.14 vis.svg 第二部分 实战部分 第7章 卷积神经网络 7.1 卷积层 7.2 池化层 7.3 经典的卷积神经网络 7.3.1 LeNet-5神经网络结构 7.3.2 ImageNet-2010网络结构 7.3.3 VGGNet网络结构 7.3.4 GoodLeNet网络结构 7.3.5 ResNet网络结构 7.4 卷积神经网络案例 7.5 深度残差模型案例 第8章 循环神经网络简介 8.1 循环神经网络模型结构 8.2 不同类型的RNN 8.3 LSTM结构具体解析 8.4 LSTM的变体 8.5 循环神经网络实现 8.5.1 循环神经网络案例 8.5.2 双向RNN案例 第9章 自编码模型 第10章 对抗生成网络 10.1 DCGAN原理 10.2 GAN对抗生成网络实例 第11章 Seq2seq自然语言处理 11.1 Seq2seq自然语言处理简介 11.2 Seq2seq自然语言处理案例 第12章利用PyTorch实现量化交易 12.1 线性回归预测股价 12.2 前馈神经网络预测股价 12.3 递归神经网络预测股价