"本書是一本綜合講述深度學習PyTorch框架的入門書，從數學知識和基本概念入手講解，語言通俗，圖文並茂，非常易於理解。全書共20個案例，基本上每一種模型都先講解基礎知識，再配合實操案例，理論兼備實操，有助於讀者快速理解。所有程序示例都進行了詳細說明，同時在講解程序示例時輔以練習題。全書程序示例都免費提供完整的源代碼，讀者可以參照程序直接上機實踐與練習。本書的內容也較為豐富，如涉及深度神經網絡、數值建模、圖像建模、文本建模、音頻建模、模型可視化等內容，有助於讀者在學習PyTorch框等

●第1章 深度學習環境搭建11.1 深度學習概述11.1.1 深度學習發展歷史11.1.2 深度學習框架比較21.1.3 深度學習應用領域51.2 搭建開發環境61.2.1 安裝Python 3.1061.2.2 安裝Jupyter Lab101.2.3 安裝PyTorch 1.10121.3 PyTorch應用場景161.4 動手練習：每日優選溫度預測171.5 練習題20第2章 PyTorch與數學基礎212.1 PyTorch中的函數212.1.1 函數基礎知識212.1.2 PyTorch中的主要函數242.2 微分基礎262.2.1 微分及其公式262.2.2 PyTorch自動微分282.3 數理統計基礎332.3.1 數理統計及其指標332.3.2 PyTorch統計函數382.4 矩陣基礎462.4.1 矩陣及其運算472.4.2 PyTorch矩陣運算492.5 動手練習：擬合餘弦函數曲線542.6 練習題57第3章 PyTorch的基本概念583.1 張量及其創建583.1.1 張量及其數據類型583.1.2 數組直接創建張量593.1.3 概率分布創建張量613.2 激活函數623.2.1 激活函數及必要性623.2.2 Sigmoid激活函數633.2.3 Tanh激活函數643.2.4 ReLU激活函數653.2.5 Leakly ReLU激活函數673.2.6 其他類型的激活函數683.3 損失函數693.3.1 損失函數及選取693.3.2 L1範數損失函數703.3.3 均方誤差損失函數713.3.4 交叉熵損失函數723.3.5 餘弦相似度損失733.3.6 其他損失函數743.4 優化器743.4.1 梯度及梯度下降743.4.2 隨機梯度下降算法763.4.3 標準動量優化算法763.4.4 AdaGrad算法773.4.5 RMSProp算法773.4.6 Adam算法783.5 動手練習：PyTorch優化器比較783.6 練習題82第4章 PyTorch深度神經網絡834.1 神經網絡概述834.1.1 模型834.1.2 多層感知器854.1.3 前饋神經網絡874.2 卷積神經網絡874.2.1 卷積神經網絡的歷史884.2.2 卷積神經網絡的結構884.2.3 卷積神經網絡的類型904.3 幾種常見的循環神經網絡934.3.1 循環神經網絡934.3.2 長短期記憶網絡964.3.3 門控974.4 動手練習：股票成交量趨勢預測984.5 練習題104第5章 PyTorch數據建模1055.1 回歸分析及案例1055.1.1 回歸分析簡介1055.1.2 回歸分析建模1065.1.3 動手練習：住房價格回歸預測1095.2 聚類分析及案例1125.2.1 聚類分析簡介1135.2.2 聚類分析建模1135.2.3 動手練習：植物花卉特征聚類1155.3 主成分分析及案例1185.3.1 主成分分析簡介1185.3.2 主成分分析建模1195.3.3 動手練習：地區競爭力指標降維1205.4 模型評估與調優1245.4.1 模型評估方法1245.4.2 模型調優方法1285.4.3 動手練習：PyTorch實現交叉驗證1295.5 練習題134第6章 PyTorch圖像建模1356.1 圖像建模概述1356.1.1 圖像分類技術1356.1.2 圖像識別技術1366.1.3 圖像分割技術1376.2 動手練習：創建圖像自動分類器1386.2.1 加載數據集1386.2.2 搭建網絡模型1396.2.3 訓練網絡模型1406.2.4 應用網絡模型1416.3 動手練習：搭建圖像自動識別模型1426.3.1 加載數據集1426.3.2 搭建與訓練網絡1436.3.3 預測圖像數據1446.3.4 圖像識別模型的判斷1456.4 動手練習：搭建圖像自動分割模型1486.4.1 加載數據集1486.4.2 搭建網絡模型1496.4.3 訓練網絡模型1526.4.4 應用網絡模型1536.5 練習題155第7章 PyTorch文本建模1567.1 自然語言處理的幾個模型1567.1.1 Word2Vec模型1567.1.2 Seq2Seq模型1577.1.3 Attention模型1587.2 動手練習：Word2Vec提取相似文本1597.2.1 加載數據集1597.2.2 搭建網絡模型1627.2.3 訓練網絡模型1637.2.4 應用網絡模型1647.3 動手練習：Seq2Seq實現機器翻譯1657.3.1 加載數據集1657.3.2 搭建網絡模型1687.3.3 訓練網絡模型1727.3.4 應用網絡模型1747.4 動手練習：Attention模型實現文本自動分類1757.4.1 加載數據集1757.4.2 搭建網絡模型1777.4.3 訓練網絡模型1787.4.4 應用網絡模型1817.5 練習題181第8章 PyTorch音頻建模1828.1 音頻處理及應用1828.1.1 音頻處理技術1828.1.2 音頻摘要及應用1838.1.3 音頻識別及應用1848.1.4 音頻監控及應用1858.1.5 場景感知及其應用1868.2 音頻特征提取步驟1878.2.1 特征提取流程1878.2.2 音頻預處理1878.2.3 傅裡葉變換1888.2.4 能量譜處理1898.2.5 離散餘弦轉換1908.3 PyTorch音頻建模1908.3.1 加載音頻數據源1908.3.2 波形變換的類型1918.3.3 繪制波形頻譜圖1928.3.4 波形 -Law編碼1948.3.5 變換前後波形比較1968.4 動手練習：音頻相似度分析1968.5 練習題198第9章 PyTorch模型可視化1999.1 Visdom1999.1.1 Visdom簡介1999.1.2 Visdom可視化操作2019.1.3 動手練習：識別手寫數字2149.2 TensorBoard2199.2.1 TensorBoard簡介2199.2.2 TensorBoard基礎操作2219.2.3 動手練習：可視化模型參數2299.3 Pytorchviz2319.3.1 Pytorchviz簡介2319.3.2 動手練習：Pytorchviz建模可視化2319.4 Netron2339.4.1 Netron簡介2339.4.2 動手練習：Netron建模可視化2349.5 練習題237第10章 PyTorch聯邦學習23810.1 聯邦學習算法簡介23810.1.1 聯邦學習提出背景23810.1.2 聯邦學習基本概念23910.2 聯邦學習主要類型23910.2.1 橫向聯邦學習及其過程24010.2.2 縱向聯邦學習及其過程24110.2.3 聯邦遷移學習及其過程24210.3 聯邦學習研究現狀24210.3.1 算法重要研究進展24210.3.2 聯邦學習算法優化24310.3.3 主要應用前景介紹24410.4 動手練習：手寫數字識別24510.4.1 讀取手寫數據集24510.4.2 訓練與測試模型24610.4.3 模型結果輸出25010.5 練習題252附錄A Python常用第三方工具包簡介253A.1 數據分析類包253A.2 數據可視化類包254A.3 機器學習類包255參考文獻258

本書以新版深度學習框架PyTorch為基礎，循序漸進地介紹其在深度學習中的應用。全書共10章，從深度學習數學知識入手，逐步介紹PyTorch在數值建模、圖像建模、文本建模、音頻建模中的基本概念及應用示例，還將介紹模型的可視化和聯邦學習等內容，以擴展讀者的視野。本書在講解每一個知識點的同時，都配合有動手練習實例，便於讀者深入理解所學知識，並達成學以致用的目標。本書原理與實踐並重，易於理解且可操作性強，特別適合PyTorch新手、大學生、研究人員和開發人員使用，也可作為高等院校相關專業的教學用書。

王國平 著