PyTorch 机器学习从入门到实战

近年来，基于深度学习的人工智能掀起了一股学习的热潮。本书是使用 PyTorch 深度学习框架的入门图书，从深度学习原理入手，由浅入深地阐述深度学习中神经网络、深度神经网络、卷积神经网络、自编码器、循环神经网络等内容，同时穿插学习 PyTorch 框架的各个知识点和基于知识点的实例。最后，综合运用 PyTorch 和深度学习知识来解决实践中的具体问题，比如图像识别、文本分类和命令词识别等。可以说，本书是深度学习和 PyTorch的入门教程，同时也引领读者进入机遇和挑战共存的人工智能领域。 本书针对的对象是机器学习和人工智能的爱好者和研究者，希望其能够有一定的机器学习和深度学习知识，有一定的 Python 编程基础。

前言 第 1 章 深度学习介绍......................................................................................... 1 1.1 人工智能、机器学习与深度学习 .................................................................. 2 1.2 深度学习工具介绍 .......................................................................................... 5 1.3 PyTorch 介绍.................................................................................................... 7 1.4 你能从本书中学到什么 .................................................................................. 9 第 2 章 PyTorch 安装和快速上手 ...................................................................... 11 2.1 PyTorch 安装.................................................................................................. 12 2.1.1 Anaconda 安装.................................................................................... 12 2.1.2 PyTorch 安装....................................................................................... 19 2.2 Jupyter Notebook 使用................................................................................... 19 2.3 NumPy 基础知识........................................................................................... 22 2.3.1 基本概念 ............................................................................................. 23 2.3.2 创建数组 ............................................................................................. 24 2.3.3 基本运算 ............................................................................................. 26 2.3.4 索引、切片和迭代 ............................................................................. 27 2.3.5 数组赋值 ............................................................................................. 32 2.3.6 更改数组的形状 ................................................................................. 33 2.3.7 组合、拆分数组 ................................................................................. 34 2.3.8 广播 ..................................................................................................... 35 2.4 PyTorch 基础知识.......................................................................................... 37 2.4.1 Tensor 简介 ......................................................................................... 37 2.4.2 Variable 简介....................................................................................... 37VIII PyTorch 机器学习从入门到实战 2.4.3 CUDA 简介......................................................................................... 38 2.4.4 模型的保存与加载 ............................................................................. 39 2.4.5 第一个 PyTorch 程序.......................................................................... 39 第 3 章 神经网络 .............................................................................................. 42 3.1 神经元与神经网络 ........................................................................................ 43 3.2 激活函数 ........................................................................................................ 45 3.2.1 Sigmoid ................................................................................................ 46 3.2.2 Tanh ..................................................................................................... 47 3.2.3 Hard Tanh ............................................................................................ 48 3.2.4 ReLU ................................................................................................... 49 3.2.5 ReLU 的扩展 ...................................................................................... 50 3.2.6 Softmax ................................................................................................ 53 3.2.7 LogSoftmax ......................................................................................... 54 3.3 前向算法 ........................................................................................................ 54 3.4 损失函数 ........................................................................................................ 56 3.4.1 损失函数的概念 ................................................................................. 56 3.4.2 回归问题 ............................................................................................. 56 3.4.3 分类问题 ............................................................................................. 57 3.4.4 PyTorch 中常用的损失函数............................................................... 58 3.5 后向算法 ........................................................................................................ 61 3.6 数据的准备 .................................................................................................... 64 3.7 实例：单层神经网络 .................................................................................... 65 第 4 章 深层神经网络及训练............................................................................ 69 4.1 深层神经网络 ................................................................................................ 71 4.1.1 神经网络为何难以训练 ..................................................................... 71 4.1.2 改进策略 ............................................................................................. 73 4.2 梯度下降 ........................................................................................................ 73 4.2.1 随机梯度下降 ..................................................................................... 73 4.2.2 Mini-Batch 梯度下降.......................................................................... 74 4.3 优化器 ............................................................................................................ 75 4.3.1 SGD ..................................................................................................... 76 4.3.2 Momentum .......................................................................................... 76 4.3.3 AdaGrad .............................................................................................. 77 4.3.4 RMSProp ............................................................................................. 78IX 目 录 4.3.5 Adam ................................................................................................... 79 4.3.6 选择正确的优化算法 ......................................................................... 79 4.3.7 优化器的使用实例 ............................................................................. 80 4.4 正则化 ............................................................................................................ 83 4.4.1 参数规范惩罚 ..................................................................................... 84 4.4.2 Batch Normalization ............................................................................ 84 4.4.3 Dropout ................................................................................................ 85 4.5 实例：MNIST 深层神经网络....................................................................... 87 第 5 章 卷积神经网络....................................................................................... 91 5.1 计算机视觉 .................................................................................................... 93 5.1.1 人类视觉和计算机视觉 ..................................................................... 93 5.1.2 特征提取 ............................................................................................. 93 5.1.3 数据集 ................................................................................................. 95 5.2 卷积神经网络 ................................................................................................ 98 5.2.1 卷积层 ............................................................................................... 100 5.2.2 池化层 ............................................................................................... 102 5.2.3 经典卷积神经网络 ........................................................................... 103 5.3 MNIST 数据集上卷积神经网络的实现..................................................... 108 第 6 章 嵌入与表征学习 .................................................................................. 112 6.1 PCA .............................................................................................................. 113 6.1.1 PCA 原理 .......................................................................................... 113 6.1.2 PCA 的 PyTorch 实现....................................................................... 114 6.2 自动编码器 .................................................................................................. 115 6.2.1 自动编码器原理 ............................................................................... 116 6.2.2 自动解码器的 PyTorch 实现............................................................ 116 6.2.3 实例：图像去噪 ............................................................................... 120 6.3 词嵌入 .......................................................................................................... 123 6.3.1 词嵌入原理 ....................................................................................... 123 6.3.2 实例：基于词向量的语言模型实现 ............................................... 126 第 7 章 序列预测模型..................................................................................... 130 7.1 序列数据处理 .............................................................................................. 131 7.2 循环神经网络 .............................................................................................. 132 7.3 LSTM 和 GRU ............................................................................................. 136X PyTorch 机器学习从入门到实战 7.4 LSTM 在自然语言处理中的应用............................................................... 140 7.4.1 词性标注 ........................................................................................... 140 7.4.2 情感分析 ........................................................................................... 142 7.5 串到串网络 .................................................................................................. 143 7.5.1 串到串网络原理 ............................................................................... 143 7.5.2 注意力机制 ....................................................................................... 144 7.6 实例：基于 GRU 和 Attention 的机器翻译............................................... 145 7.6.1 公共模块 ........................................................................................... 145 7.6.2 数据处理 ........................................................................................... 145 7.6.3 模型定义 ........................................................................................... 149 7.6.4 训练模块定义 ................................................................................... 153 7.6.5 训练和模型保存 ............................................................................... 159 7.6.6 评估过程 ........................................................................................... 161 第 8 章 PyTorch 项目实战 .............................................................................. 163 8.1 图像识别和迁移学习——猫狗大战 .......................................................... 164 8.1.1 迁移学习介绍 ................................................................................... 164 8.1.2 计算机视觉工具包 ........................................................................... 164 8.1.3 猫狗大战的 PyTorch 实现................................................................ 165 8.2 文本分类 ...................................................................................................... 170 8.2.1 文本分类的介绍 ............................................................................... 171 8.2.2 计算机文本工具包 ........................................................................... 172 8.2.3 基于 CNN 的文本分类的 PyTorch 实现 ......................................... 172 8.3 语音识别系统介绍 ...................................................................................... 180 8.3.1 语音识别介绍 ................................................................................... 181 8.3.2 命令词识别的 PyTorch 实现............................................................ 181

暂无相关内容，正在全力查找中

暂无其它内容！

• 对工作较多帮助，能够快速上手

  来源：豆瓣 发布时间：2025-05-01 05:49:19