封面
版权信息
内容简介
作者简介
前言
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
1.1.4 深度学习技术的优势和挑战
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
1.2.3 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
2.1.2 PyCharm的下载与安装
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
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
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
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
6.1.2 改变数据类型的Dataset类中transform的使用
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
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
8.1.2 停用词的使用
8.1.3 词向量训练模型Word2Vec使用介绍
8.1.4 文本主题的提取：基于TF-IDF
8.1.5 文本主题的提取：基于TextRank
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
8.2.2 FastText训练以及与PyTorch 2.0的协同使用
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
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
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
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
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
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
10.1.2 自注意力层（重点）
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
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
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
11.1.2 BERT预训练任务与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
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
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
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
13.2.3 一学就会的TD-Error理论介绍
13.2.4 基于TD-Error的结果修正
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
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
15.1.5 使用Dlib和OpenCV建立自己的人脸检测数据集
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
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
15.3 本章小结
更新时间：2024-12-27 21:22:20
完结共191章
倒序