Python深度学习：基于PyTorch

吴茂贵

版权信息
前言
第一部分 PyTorch基础
第1章 Numpy基础
1.1 生成Numpy数组
1.2 获取元素
1.3 Numpy的算术运算
1.4 数组变形
1.5 批量处理
1.6 通用函数
1.7 广播机制
1.8 小结
第2章 PyTorch基础
2.1 为何选择PyTorch？
2.2 安装配置
2.3 Jupyter Notebook环境配置
2.4 Numpy与Tensor
2.5 Tensor与Autograd
2.6 使用Numpy实现机器学习
2.7 使用Tensor及Antograd实现机器学习
2.8 使用TensorFlow架构
2.9 小结
第3章 PyTorch神经网络工具箱
3.1 神经网络核心组件
3.2 实现神经网络实例
3.3 如何构建神经网络？
3.4 神经网络工具箱nn
3.5 优化器
3.6 动态修改学习率参数
3.7 优化器比较
3.8 小结
第4章 PyTorch数据处理工具箱
4.1 数据处理工具箱概述
4.2 utils.data简介
4.3 torchvision简介
4.4 可视化工具
4.5 本章小结
第二部分深度学习基础
第5章机器学习基础
5.1 机器学习的基本任务
5.2 机器学习一般流程
5.3 过拟合与欠拟合
5.4 选择合适激活函数
5.5 选择合适的损失函数
5.6 选择合适优化器
5.7 GPU加速
5.8 本章小结
第6章视觉处理基础
6.1 卷积神经网络简介
6.2 卷积层
6.3 池化层
6.4 现代经典网络
6.5 PyTorch实现CIFAR-10多分类
6.6 模型集成提升性能
6.7 使用现代经典模型提升性能
6.8 本章小结
第7章自然语言处理基础
7.1 循环神经网络基本结构
7.2 前向传播与随时间反向传播
7.3 循环神经网络变种
7.4 循环神经网络的PyTorch实现
7.5 文本数据处理
7.6 词嵌入
7.7 PyTorch实现词性判别
7.8 用LSTM预测股票行情
7.9 循环神经网络应用场景
7.10 小结
第8章生成式深度学习
8.1 用变分自编码器生成图像
8.2 GAN简介
8.3 用GAN生成图像
8.4 VAE与GAN的优缺点
8.5 ConditionGAN
8.6 DCGAN
8.7 提升GAN训练效果的一些技巧
8.8 小结
第三部分深度学习实践
第9章人脸检测与识别
9.1 人脸识别一般流程
9.2 人脸检测
9.3 特征提取
9.4 人脸识别
9.5 PyTorch实现人脸检测与识别
9.6 小结
第10章迁移学习实例
10.1 迁移学习简介
10.2 特征提取
10.3 数据增强
10.4 微调实例
10.5 清除图像中的雾霾
10.6 小结
第11章神经网络机器翻译实例
11.1 Encoder-Decoder模型原理
11.2 注意力框架
11.3 PyTorch实现注意力Decoder
11.4 用注意力机制实现中英文互译
11.5 小结
第12章实战生成式模型
12.1 DeepDream模型
12.2 风格迁移
12.3 PyTorch实现图像修复
12.4 PyTorch实现DiscoGAN
12.5 小结
第13章 Caffe2模型迁移实例
13.1 Caffe2简介
13.2 Caffe如何升级到Caffe2
13.3 PyTorch如何迁移到Caffe2
13.4 小结
第14章 AI新方向：对抗攻击
14.1 对抗攻击简介
14.2 常见对抗样本生成方式
14.3 PyTorch实现对抗攻击
14.4 对抗攻击和防御措施
14.5 总结
第15章强化学习
15.1 强化学习简介
15.2 Q-Learning原理
15.3 用PyTorch实现Q-Learning
15.4 SARSA算法
15.5 小结
第16章深度强化学习
16.1 DQN算法原理
16.2 用PyTorch实现DQN算法
16.3 小结
附录A PyTorch0.4版本变更
附录B AI在各行业的最新应用