●目 錄第1章 深度學習簡介 21.1 深度學習 21.2 神經網絡的發展 51.3 深度學習的應用 61.4 常用的數學知識和機器學習算法 71.5 PyTorch簡介 101.5.1 PyTorch介紹 101.5.2 使用PyTorch的公司 141.5.3 PyTorch API 151.5.4 為什麼選擇Python語言? 151.5.5 Python 語言的特點 151.6 常用的機器學習、深度學習開源框架 161.7 其他常用的模塊庫 171.8 深度學習常用名詞 18第2章 PyTorch環境安裝 302.1 基於Ubuntu環境的安裝 302.1.1 安裝Anaconda 312.1.2 設置國內鏡像 332.2 Conda命令安裝PyTorch 332.3 pip命令安裝PyTorch 342.4 配置CUDA 35第3章 PyTorch基礎知識 373.1 張量 373.2 數學操作 403.3 數理統計 413.4 比較操作 42第4章 簡單案例入門 434.1 線性回歸 434.2 邏輯回歸 48第5章 前饋神經網絡 545.1 實現前饋神經網絡 565.2 數據集 625.3 卷積層 665.4 Functional函數 695.5 優化算法 755.6 自動求導機制 785.7 保存和加載模型 805.8 GPU加速運算 80第6章 PyTorch可視化工具 826.1 Visdom介紹 826.2 Visdom基本概念 836.2.1 Panes(窗格) 836.2.2 Environments(環境) 836.2.3 State(狀態) 836.3 安裝Visdom 846.4 可視化接口 846.4.1 Python函數屬性提取技巧 856.4.2 vis.text 856.4.3 vis.image 866.4.4 vis.scatter 876.4.5 vis.line 886.4.6 vis.stem 896.4.7 vis.heatmap 906.4.8 vis.bar 926.4.9 vis.histogram 936.4.10 vis.boxplot 946.4.11 vis.surf 956.4.12 vis.contour 966.4.13 vis.mesh 976.4.14 vis.svg 99第7章 卷積神經網絡 1027.1 卷積層 1047.2 池化層 1067.3 經典的卷積神經網絡 1077.3.1 LeNet-5神經網絡結構 1077.3.2 ImageNet-2010網絡結構 1087.3.3 VGGNet網絡結構 1137.3.4 GoodLeNet網絡結構 1157.3.5 ResNet網絡結構 1187.4 卷積神經網絡案例 1217.5 深度殘差模型案例 129第8章 循環神經網絡簡介 1378.1 循環神經網絡模型結構 1388.2 不同類型的RNN 1398.3 LSTM結構具體解析 1428.4 LSTM的變體 1458.5 循環神經網絡實現 1488.5.1 循環神經網絡案例 1488.5.2 雙向RNN案例 151第9章 自編碼模型 155第10章 對抗生成網絡 16310.1 DCGAN原理 16510.2 GAN對抗生成網絡實例 170第11章 Seq2seq自然語言處理 17611.1 Seq2seq自然語言處理簡介 17611.2 Seq2seq自然語言處理案例 178第12章 量化交易簡介 19312.1 線性回歸預測股價 19612.2 前饋神經網絡預測股價 19912.3 遞歸神經網絡預測股價 204
內容簡介
深度學習已經成為人工智能炙手可熱的技術,PyTorch是一個較新的,容易上手的深度學習開源框架,目前已得到廣泛應用。本書從PyTorch框架結構出發,通過案例主要介紹了線性回歸,邏輯回歸,前饋神經網絡,卷積神經網絡,循環神經網絡,自編碼模型,以及生成對抗網絡。本書作為深度學習的入門教材,省略了大量的數學模型推導,通過實戰學習深度學習理論知識,適合想學人工智能,缺少基礎的人群閱讀。