Name: PyTorch 2.0深度学习从零开始学
Author: 王晓华
ISBN: 9787302641087

PyTorch 2.0深度学习从零开始学

PyTorch是一个开源的机器学习框架，它提供了动态计算图的支持，让用户能够自定义和训练自己的神经网络，目前是机器学习领域中****的框架之一。本书基于PyTorch 2.0，详细介绍深度学习的基本理论、算法和应用案例，配套示例源代码、PPT课件。《PyTorch？2.0深度学习从零开始学》共分15章，内容包括PyTorch概述、开发环境搭建、基于PyTorch的MNIST分类实战、深度学习理论基础、MNIST分类实战、数据处理与模型可视化、基于PyTorch卷积层的分类实战、PyTorch数据处理与模型可视化、实战ResNet卷积网络模型、有趣的Word Embedding、基于循环神经网络的中文情感分类实战、自然语言处理的编码器、站在巨人肩膀上的预训练模型BERT、自然语言处理的解码器、基于PyTorch的强化学习实战、基于MFCC的语音唤醒实战、基于PyTorch的人脸识别实战。

微信读书推荐值

评分不足

5人点评

PyTorch 2.0深度学习从零开始学

王晓华

版权信息
内容简介
作者简介
前言
关于本书
本书特点
配套示例源代码 PPT课件等资源下载
本书读者
第1章 PyTorch 2.0——一个新的开始
1.1 燎原之势的人工智能
1.1.1 从无到有的人工智能
1.1.2 深度学习与人工智能
1.1.3 应用深度学习解决实际问题
1 人脸识别
2 自然语言处理
3 智能控制
1.1.4 深度学习技术的优势和挑战
1 准确性更高
2 可以处理更复杂的问题
3 可以逐步优化
4 可以适应不同的场景
1.2 为什么选择PyTorch 2.0
1.2.1 PyTorch的前世今生
1.2.2 更快更优更具编译支持——PyTorch 2.0更好的未来
1 TorchDynamo
2 AOTAutograd
3 PrimTorch
4 TorchInductor
1.2.3 PyTorch 2.0学习路径——从零基础到项目实战
1.3 本章小结
第2章 Hello PyTorch 2.0——深度学习环境搭建
2.1 安装Python
2.1.1 Miniconda的下载与安装
1 下载和安装
2 打开控制台
3 验证Python
4 使用pip命令
2.1.2 PyCharm的下载与安装
1 PyCharm的下载和安装
2 使用PyCharm创建程序
2.1.3 Python代码小练习：计算Softmax函数
2.2 安装PyTorch 2.0
2.2.1 Nvidia 10/20/30/40系列显卡选择的GPU版本
2.2.2 PyTorch 2.0 GPU Nvidia运行库的安装——以CUDA 11.7+cuDNN 8.2.0为例
2.2.3 PyTorch 2.0小练习：Hello PyTorch
2.3 实战：基于PyTorch 2.0的图像去噪
2.3.1 MNIST数据集的准备
2.3.2 MNIST数据集的特征和标签介绍
2.3.3 模型的准备和介绍
2.3.4 模型的损失函数与优化函数
2.3.5 基于深度学习的模型训练
2.4 本章小结
第3章基于PyTorch的MNIST分类实战
3.1 实战：基于PyTorch的MNIST手写体分类
3.1.1 数据图像的获取与标签的说明
3.1.2 模型的准备（多层感知机）
3.1.3 损失函数的表示与计算
3.1.4 基于PyTorch的手写体识别的实现
3.2 PyTorch 2.0模型结构输出与可视化
3.2.1 查看模型结构和参数信息
3.2.2 基于netron库的PyTorch 2.0模型可视化
3.2.3 更多的PyTorch 2.0模型可视化工具
1 torchsummary
2 hiddenlayer
3 PlotNeuralNet
4 torchvision
3.3 本章小结
第4章深度学习的理论基础
4.1 反向传播神经网络的历史
4.2 反向传播神经网络两个基础算法详解
4.2.1 最小二乘法详解
4.2.2 道士下山的故事——梯度下降算法
4.2.3 最小二乘法的梯度下降算法以及Python实现
1 微分
2 梯度
3 梯度下降的数学计算
4 使用梯度下降算法求解最小二乘法
4.3 反馈神经网络反向传播算法介绍
4.3.1 深度学习基础
4.3.2 链式求导法则
4.3.3 反馈神经网络的原理与公式推导
1 前向传播算法
2 反向传播算法
3 权重的更新
4.3.4 反馈神经网络原理的激活函数
4.3.5 反馈神经网络原理的Python实现
4.4 本章小结
第5章基于PyTorch卷积层的MNIST分类实战
5.1 卷积运算的基本概念
5.1.1 基本卷积运算示例
5.1.2 PyTorch 2.0中卷积函数实现详解
5.1.3 池化运算
5.1.4 Softmax激活函数
5.1.5 卷积神经网络的原理
5.2 实战：基于卷积的MNIST手写体分类
5.2.1 数据准备
5.2.2 模型设计
5.2.3 基于卷积的MNIST分类模型
5.3 PyTorch 2.0的深度可分离膨胀卷积详解
5.3.1 深度可分离卷积的定义
5.3.2 深度的定义以及不同计算层待训练参数的比较
5.3.3 膨胀卷积详解
5.4 实战：基于深度可分离膨胀卷积的MNIST手写体识别
5.5 本章小结
第6章 PyTorch数据处理与模型可视化
6.1 用于自定义数据集的torch.utils.data工具箱使用详解
6.1.1 使用torch.utils.data.Dataset封装自定义数据集
1 init的初始化方法
2 __getitem__与__len__方法
6.1.2 改变数据类型的Dataset类中transform的使用
1 将自定义载入的参数转换为PyTorch 2.0专用的tensor类
2 新的自定义Dataset类
3 修正数据输出的维度
4 依旧无法使用自定义的数据对模型进行训练
6.1.3 批量输出数据的DataLoader类详解
6.2 基于tensorboardX的训练可视化展示
6.2.1 tensorboardX的安装与简介
6.2.2 tensorboardX可视化组件的使用
1 存储模型的计算过程
2 查看默认位置的run文件夹
3 使用Miniconda终端打开对应的目录
4 使用浏览器打开模型展示页面
6.2.3 tensorboardX对模型训练过程的展示
6.3 本章小结
第7章从冠军开始——实战ResNet
7.1 ResNet基础原理与程序设计基础
7.1.1 ResNet诞生的背景
7.1.2 不要重复造轮子——PyTorch 2.0中的模块工具
7.1.3 ResNet残差模块的实现
7.1.4 ResNet网络的实现
7.2 实战ResNet：CIFAR-10数据集分类
7.2.1 CIFAR-10数据集简介
7.2.2 基于ResNet的CIFAR-10数据集分类
7.3 本章小结
第8章梅西-阿根廷+巴西=？——有趣的Word Embedding
8.1 文本数据处理
8.1.1 数据集介绍和数据清洗
1 数据的读取与存储
2 文本的清洗
8.1.2 停用词的使用
8.1.3 词向量训练模型Word2Vec使用介绍
1 训练Word2Vec模型
2 Word2Vec模型的使用
3 对已有的模型补充训练
8.1.4 文本主题的提取：基于TF-IDF
1 TF-IDF简介
2 TF-IDF的实现
3 将重排的文档根据训练好的Word2Vec向量建立一个有限量的词矩阵
4 将TF-IDF单独定义一个类
8.1.5 文本主题的提取：基于TextRank
1 TextRank算法前置介绍
2 TextRank类的实现
8.2 更多的Word Embedding方法——FastText和预训练词向量
8.2.1 FastText的原理与基础算法
1 N-Gram
2 Hierarchical Softmax
8.2.2 FastText训练以及与PyTorch 2.0的协同使用
1 数据收集与分词
2 使用Gensim中的FastText进行词嵌入计算
3 使用训练好的FastText模型进行参数读取
4 继续对已有的FastText模型进行词嵌入训练
5 提取FastText模型的训练结果作为预训练词的嵌入数据（读者一定要注意位置对应关系）
8.2.3 使用其他预训练参数生成PyTorch 2.0词嵌入矩阵（中文）
8.3 针对文本的卷积神经网络模型简介——字符卷积
8.3.1 字符（非单词）文本的处理
1 标题文本的读取与转换
2 文本的One-Hot处理
3 生成文本的矩阵的细节处理——矩阵补全
4 标签的One-Hot矩阵构建
5 数据集的构建
8.3.2 卷积神经网络文本分类模型的实现——Conv1d（一维卷积）
8.4 针对文本的卷积神经网络模型简介——词卷积
8.4.1 单词的文本处理
1 分词模型的处理
2 分词模型的训练与载入
8.4.2 卷积神经网络文本分类模型的实现——Conv2d（二维卷积）
8.5 使用卷积实现文本分类的补充内容
1 读取数据
2 中文文本的清理与分词
3 使用Gensim构建词向量
8.6 本章小结
第9章基于循环神经网络的中文情感分类实战
9.1 实战：循环神经网络与情感分类
9.1.1 基于循环神经网络的中文情感分类准备
1 数据的准备
2 模型的建立
9.1.2 基于循环神经网络的中文情感分类实现
9.2 循环神经网络理论讲解
9.2.1 什么是GRU
1 GRU的输入与输出结构
2 门-GRU的重要设计
3 GRU的结构
9.2.2 单向不行，那就双向
9.3 本章小结
第10章从0起步——自然语言处理的编码器
10.1 编码器的核心——注意力模型
10.1.1 输入层——初始词向量层和位置编码器层
1 初始词向量层
2 位置编码
10.1.2 自注意力层（重点）
1 自注意力中的query key和value
2 使用Query Key和Value计算自注意力的值
3 自注意力计算的代码实现
10.1.3 ticks和LayerNormalization
10.1.4 多头自注意力
10.2 编码器的实现
10.2.1 前馈层的实现
10.2.2 编码器的实现
10.3 实战编码器：汉字拼音转换模型
10.3.1 汉字拼音数据集处理
1 数据集展示
2 获取字库和训练数据
3 根据字库生成Token数据
10.3.2 汉字拼音转换模型的确定
10.3.3 模型训练部分的编写
1 导入数据集和创建数据的生成函数
10.4 本章小结
第11章站在巨人肩膀上的预训练模型BERT
11.1 预训练模型BERT
11.1.1 BERT的基本架构与应用
1 BERT的输入
2 BERT的模型架构
11.1.2 BERT预训练任务与Fine-Tuning
1 开创性的预训练任务方案
2 BERT用于具体NLP任务(Fine-Tuning)
11.2 实战BERT：中文文本分类
11.2.1 使用Hugging Face获取BERT预训练模型
11.2.2 BERT实战文本分类
11.3 更多的预训练模型
11.4 本章小结
第12章从1起步——自然语言处理的解码器
12.1 解码器的核心——注意力模型
12.1.1 解码器的输入和交互注意力层的掩码
1 解码器的词嵌入Embedding输入
2 解码器的自注意力层（重点学习掩码的构建）
3 解码器和编码器的交互注意力层（重点学习query key value的定义）
12.1.2 为什么通过掩码操作能够减少干扰
12.1.3 解码器的输出（移位训练方法）
12.1.4 解码器的实现
12.2 实战解码器：汉字拼音翻译模型
12.2.1 数据集的获取与处理
1 数据集展示
2 获取字库和训练数据
3 根据字库生成Token数据
12.2.2 翻译模型
12.2.3 汉字拼音模型的训练
12.2.4 汉字拼音模型的使用
12.3 本章小结
第13章我也可以成为马斯克——无痛的基于PyTorch的强化学习实战
13.1 实战：基于强化学习的火箭回收
13.1.1 火箭回收技术基本运行环境介绍
13.1.2 火箭回收参数介绍
13.1.3 基于强化学习的火箭回收实战
13.1.4 强化学习的基本内容
1 强化学习的总体思想
2 强化学习的奖励与衰减
3 强化学习的任务分类
4 强化学习的基本处理方法
13.2 强化学习的基本算法——PPO算法
13.2.1 PPO算法简介
13.2.2 函数使用说明
1 Categorical类
2 log_prob函数
3 entropy函数
13.2.3 一学就会的TD-Error理论介绍
1 项目描述与模型预估
2 到达DC后模型重新估算整体耗时
3 问题
4 TD-Error
13.2.4 基于TD-Error的结果修正
1 修正后的模型生成的结果不应该和未修正的模型有太大差别
2 模型每次输出概率的权重问题
13.2.5 对于奖励的倒序构成的说明
13.3 本章小结
第14章创建你自己的小精灵——基于MFCC的语音唤醒实战
14.1 语音识别的理论基础——MFCC
1 梅尔频率
2 倒谱分析
14.2 语音识别的数据获取与准备
14.2.1 Speech Commands简介与数据说明
14.2.2 语音识别编码器模块与代码实现
14.3 实战：PyTorch 2.0语音识别
14.3.1 基于PyTorch 2.0的语音识别模型
14.3.2 基于PyTorch 2.0的语音识别实现
14.4 本章小结
第15章基于PyTorch的人脸识别实战
15.1 人脸识别数据集的建立
15.1.1 LFW数据集简介
15.1.2 Dlib库简介
15.1.3 OpenCV简介
15.1.4 使用Dlib检测人脸位置
1 使用OpenCV读取图片
2 加载Dlib的检测器
3 使用Dlib进行人脸检测
15.1.5 使用Dlib和OpenCV建立自己的人脸检测数据集
1 找到LFW数据集中的所有图片位置
2 在图片中查找人脸框体
3 对结果进行验证
15.1.6 基于人脸定位制作适配深度学习的人脸识别数据集
1 第一步：使用Dlib定位人脸位置并制作新的人脸图片
2 第二步：创建新图片结构的位置地址
15.2 实战：基于深度学习的人脸识别模型
15.2.1 人脸识别的基本模型Siamese Model
15.2.2 基于PyTorch 2.0的Siamese Model的实现
15.2.3 人脸识别的Contrastive Loss详解与实现
15.2.4 基于PyTorch 2.0的人脸识别模型
1 第一步：人脸识别数据集的输入
2 第二步：人脸识别模型实战
15.3 本章小结

微信读书

PyTorch 2.0深度学习从零开始学

简介

版权

PyTorch 2.0深度学习从零开始学