深度学习入门之PyTorch2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载

深度学习入门之PyTorchPDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第1章 深度学习介绍1

1.1 人工智能1

1.2 数据挖掘、机器学习与深度学习2

1.2.1 数据挖掘3

1.2.2 机器学习3

1.2.3 深度学习4

1.3 学习资源与建议8

第2章 深度学习框架11

2.1 深度学习框架介绍11

2.2 PyTorch介绍13

2.2.1 什么是PyTorch13

2.2.2 为何要使用PyTorch14

2.3 配置PyTorch深度学习环境15

2.3.1 操作系统的选择15

2.3.2 Python开发环境的安装16

2.3.3 PyTorch的安装18

第3章 多层全连接神经网络24

3.1 热身：PyTorch基础24

3.1.1 Tensor（张量）24

3.1.2 Variable（变量）26

3.1.3 Dataset（数据集）28

3.1.4 nn.Module（模组）29

3.1.5 torch.optim（优化）30

3.1.6 模型的保存和加载31

3.2 线性模型32

3.2.1 问题介绍32

3.2.2 一维线性回归33

3.2.3 多维线性回归34

3.2.4 一维线性回归的代码实现35

3.2.5 多项式回归38

3.3 分类问题42

3.3.1 问题介绍42

3.3.2 Logistic起源42

3.3.3 Logistic分布42

3.3.4 二分类的Logistic回归43

3.3.5 模型的参数估计44

3.3.6 Logistic回归的代码实现45

3.4 简单的多层全连接前向网络49

3.4.1 模拟神经元49

3.4.2 单层神经网络的分类器50

3.4.3 激活函数51

3.4.4 神经网络的结构54

3.4.5 模型的表示能力与容量55

3.5 深度学习的基石：反向传播算法57

3.5.1 链式法则57

3.5.2 反向传播算法58

3.5.3 Sigmoid函数举例58

3.6 各种优化算法的变式59

3.6.1 梯度下降法59

3.6.2 梯度下降法的变式62

3.7 处理数据和训练模型的技巧64

3.7.1 数据预处理64

3.7.2 权重初始化66

3.7.3 防止过拟合67

3.8 多层全连接神经网络实现MNIST手写数字分类69

3.8.1 简单的三层全连接神经网络70

3.8.2 添加激活函数70

3.8.3 添加批标准化71

3.8.4 训练网络71

第4章 卷积神经网络76

4.1 主要任务及起源76

4.2 卷积神经网络的原理和结构77

4.2.1 卷积层80

4.2.2 池化层84

4.2.3 全连接层85

4.2.4 卷积神经网络的基本形式85

4.3 PyTorch卷积模块87

4.3.1 卷积层87

4.3.2 池化层88

4.3.3 提取层结构90

4.3.4 如何提取参数及自定义初始化91

4.4 卷积神经网络案例分析92

4.4.1 LeNet93

4.4.2 AlexNet94

4.4.3 VGGNet95

4.4.4 GoogLeNet98

4.4.5 ResNet100

4.5 再实现MNIST手写数字分类103

4.6 图像增强的方法105

4.7 实现cifar10分类107

第5章 循环神经网络111

5.1 循环神经网络111

5.1.1 问题介绍112

5.1.2 循环神经网络的基本结构112

5.1.3 存在的问题115

5.2 循环神经网络的变式：LSTM与GRU116

5.2.1 LSTM116

5.2.2 GRU119

5.2.3 收敛性问题120

5.3 循环神经网络的PyTorch实现122

5.3.1 PyTorch的循环网络模块122

5.3.2 实例介绍127

5.4 自然语言处理的应用131

5.4.1 词嵌入131

5.4.2 词嵌入的PyTorch实现133

5.4.3 N Gram模型133

5.4.4 单词预测的PyTorch实现134

5.4.5 词性判断136

5.4.6 词性判断的PyTorch实现137

5.5 循环神经网络的更多应用140

5.5.1 Many to one140

5.5.2 Many to Many（shorter）141

5.5.3 Seq2seq141

5.5.4 CNN＋RNN142

第6章 生成对抗网络144

6.1 生成模型144

6.1.1 自动编码器145

6.1.2 变分自动编码器150

6.2 生成对抗网络153

6.2.1 何为生成对抗网络153

6.2.2 生成对抗网络的数学原理160

6.3 Improving GAN164

6.3.1 Wasserstein GAN164

6.3.2 Improving WGAN167

6.4 应用介绍168

6.4.1 Conditional GAN168

6.4.2 Cycle GAN170

第7章 深度学习实战173

7.1 实例一——猫狗大战：运用预训练卷积神经网络进行特征提取与预测173

7.1.1 背景介绍174

7.1.2 原理分析174

7.1.3 代码实现177

7.1.4 总结183

7.2 实例二——Deep Dream：探索卷积神经网络眼中的世界183

7.2.1 原理介绍184

7.2.2 预备知识：backward185

7.2.3 代码实现190

7.2.4 总结195

7.3 实例三——Neural-Style：使用PyTorch进行风格迁移196

7.3.1 背景介绍196

7.3.2 原理分析197

7.3.3 代码实现199

7.3.4 总结205

7.4 实例四——Seq2seq：通过RNN实现简单的Neural Machine Translation205

7.4.1 背景介绍206

7.4.2 原理分析206

7.4.3 代码实现209

7.4.4 总结221