深度学习入门之PyTorch

给大家带来的一篇关于深度学习相关的电子书资源，介绍了关于深度学习、PyTorch方面的内容，本书是由电子工业出版社出版，格式为PDF，资源大小59.3 MB，廖星宇编写，目前豆瓣、亚马逊、当当、京东等电子书综合评分为：9.6。

内容介绍

1创作者自身也是自小白刚开始新手入门深度学习的，不管从书里內容，還是解读思路，及其语言特点，均合适你从零开始进到深度学习这一填满魔法的全球。

2案例简易而不简洁，采用了转化成对抗网络和注意力机制等现阶段相对性最前沿的深度学习技术性。

3尽管是一本基础教程，可是对基本原理的叙述也是非分明，清楚通俗易懂，让阅读者能知其所以然且学有所用。

深度学习现如今早已变成了尖端科技*趋之若鹜的技术性，在这书中，大家将协助你新手入门深度学习的行业。这书将从人工智能技术的详细介绍下手，掌握机器学习和深度学习的基础知识，并学习怎样用PyTorch架构模型拟合开展构建。根据阅读文章这书，你可能学习到机器学习中的线性回归和logistic重归，深度学习的优化方法，双层全连接神经网络，卷积神经网络，循环系统神经网络及其转化成对抗网络，另外从零开始对PyTorch开展学习，掌握PyTorch基本及怎样用其开展实体模型的构建，*后根据实战演练掌握*最前沿的科研成果和PyTorch在具体新项目中的运用。

目录

• 第1 章深度学习介绍1
• 1.1 人工智能. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
• 1.2 数据挖掘、机器学习与深度学习. . . . . . . . . . . . . . . . . . . . . . . 2
• 1.2.1 数据挖掘. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
• 1.2.2 机器学习. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
• 1.2.3 深度学习. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
• 1.3 学习资源与建议. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
• 第2 章深度学习框架11
• 2.1 深度学习框架介绍. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
• 2.2 PyTorch 介绍. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
• 2.2.1 什么是PyTorch . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
• 2.2.2 为何要使用PyTorch . . . . . . . . . . . . . . . . . . . . . . . . . . 14
• 2.3 配置PyTorch 深度学习环境. . . . . . . . . . . . . . . . . . . . . . . . . . 15
• 2.3.1 操作系统的选择. . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
• 2.3.2 Python 开发环境的安装. . . . . . . . . . . . . . . . . . . . . . . . 16
• 2.3.3 PyTorch 的安装. . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
• 第3 章多层全连接神经网络24
• 3.1 热身：PyTorch 基础. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
• 3.1.1 Tensor（张量） . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
• 3.1.2 Variable（变量） . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
• 3.1.3 Dataset（数据集） . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
• 3.1.4 nn.Module（模组） . . . . . . . . . . . . . . . . . . . . . . . . . . 29
• 3.1.5 torch.optim（优化） . . . . . . . . . . . . . . . . . . . . . . . . . . 30
• 3.1.6 模型的保存和加载. . . . . . . . . . . . . . . . . . . . . . . . . . 31
• 3.2 线性模型. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
• 3.2.1 问题介绍. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
• 3.2.2 一维线性回归. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
• 3.2.3 多维线性回归. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
• 3.2.4 一维线性回归的代码实现. . . . . . . . . . . . . . . . . . . . . . 35
• 3.2.5 多项式回归. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
• 3.3 分类问题. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
• 3.3.1 问题介绍. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
• 3.3.2 Logistic 起源. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
• 3.3.3 Logistic 分布. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
• 3.3.4 二分类的Logistic 回归. . . . . . . . . . . . . . . . . . . . . . . . 43
• 3.3.5 模型的参数估计. . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
• 3.3.6 Logistic 回归的代码实现. . . . . . . . . . . . . . . . . . . . . . . 45
• 3.4 简单的多层全连接前向网络. . . . . . . . . . . . . . . . . . . . . . . . . 49
• 3.4.1 模拟神经元. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
• 3.4.2 单层神经网络的分类器. . . . . . . . . . . . . . . . . . . . . . . . 50
• 3.4.3 激活函数. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
• 3.4.4 神经网络的结构. . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
• 3.4.5 模型的表示能力与容量. . . . . . . . . . . . . . . . . . . . . . . . 55
• 3.5 深度学习的基石：反向传播算法. . . . . . . . . . . . . . . . . . . . . . . 57
• 3.5.1 链式法则. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
• 3.5.2 反向传播算法. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
• 3.5.3 Sigmoid 函数举例. . . . . . . . . . . . . . . . . . . . . . . . . . . 58
• 3.6 各种优化算法的变式. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
• 3.6.1 梯度下降法. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
• 3.6.2 梯度下降法的变式. . . . . . . . . . . . . . . . . . . . . . . . . . 62
• 3.7 处理数据和训练模型的技巧. . . . . . . . . . . . . . . . . . . . . . . . . 64
• 3.7.1 数据预处理. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
• 3.7.2 权重初始化. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
• 3.7.3 防止过拟合. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
• 3.8 多层全连接神经网络实现MNIST 手写数字分类. . . . . . . . . . . . . . 69
• 3.8.1 简单的三层全连接神经网络. . . . . . . . . . . . . . . . . . . . . 70
• 3.8.2 添加激活函数. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
• 3.8.3 添加批标准化. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
• 3.8.4 训练网络. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
• 第4 章卷积神经网络76
• 4.1 主要任务及起源. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
• 4.2 卷积神经网络的原理和结构. . . . . . . . . . . . . . . . . . . . . . . . . 77
• 4.2.1 卷积层. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
• 4.2.2 池化层. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
• 4.2.3 全连接层. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
• 4.2.4 卷积神经网络的基本形式. . . . . . . . . . . . . . . . . . . . . . 85
• 4.3 PyTorch 卷积模块. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
• 4.3.1 卷积层. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
• 4.3.2 池化层. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
• 4.3.3 提取层结构. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
• 4.3.4 如何提取参数及自定义初始化. . . . . . . . . . . . . . . . . . . . 91
• 4.4 卷积神经网络案例分析. . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
• 4.4.1 LeNet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
• 4.4.2 AlexNet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
• 4.4.3 VGGNet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
• 4.4.4 GoogLeNet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
• 4.4.5 ResNet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
• 4.5 再实现MNIST 手写数字分类. . . . . . . . . . . . . . . . . . . . . . . . . 103
• 4.6 图像增强的方法. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
• 4.7 实现cifar10 分类. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
• 第5 章循环神经网络111
• 5.1 循环神经网络. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
• 5.1.1 问题介绍. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112
• 5.1.2 循环神经网络的基本结构. . . . . . . . . . . . . . . . . . . . . . 112
• 5.1.3 存在的问题. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
• 5.2 循环神经网络的变式：LSTM 与GRU . . . . . . . . . . . . . . . . . . . . 116
• 5.2.1 LSTM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116
• 5.2.2 GRU . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
• 5.2.3 收敛性问题. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 120
• 5.3 循环神经网络的PyTorch 实现. . . . . . . . . . . . . . . . . . . . . . . . 122
• 5.3.1 PyTorch 的循环网络模块. . . . . . . . . . . . . . . . . . . . . . . 122
• 5.3.2 实例介绍. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127
• 5.4 自然语言处理的应用. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131
• 5.4.1 词嵌入. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131
• 5.4.2 词嵌入的PyTorch 实现. . . . . . . . . . . . . . . . . . . . . . . . 133
• 5.4.3 N Gram 模型. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133
• 5.4.4 单词预测的PyTorch 实现. . . . . . . . . . . . . . . . . . . . . . . 134
• 5.4.5 词性判断. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 136
• 5.4.6 词性判断的PyTorch 实现. . . . . . . . . . . . . . . . . . . . . . . 137
• 5.5 循环神经网络

学习笔记

PyTorch的深度学习入门之PyTorch安装和配置

前言 深度神经网络是一种目前被广泛使用的工具，可以用于图像识别、分类，物体检测，机器翻译等等。深度学习（DeepLearning）是一种学习神经网络各种参数的方法。因此，我们将要介绍的深度学习，指的是构建神经网络结构，并且运用各种深度学习算法训练网络参数，进而解决各种任务。本文从PyTorch环境配置开始。PyTorch是一种Python接口的深度学习框架，使用灵活，学习方便。还有其他主流的深度学习框架，例如Caffe，TensorFlow，CNTK等等，各有千秋。笔者认为，初期学习还是选择一种入门，不要期望全都学会。须知，发力集中才能深入挖掘。乱花渐欲迷人眼，选择适合自己的，从一而终，相信会对科……

简单易懂Pytorch实战实例VGG深度网络

模型VGG，数据集cifar。对照这份代码走一遍，大概就知道整个pytorch的运行机制。 来源 定义模型： '''VGG11/13/16/19 in Pytorch.'''import torchimport torch.nn as nnfrom torch.autograd import Variablecfg = { 'VGG11': [64, 'M', 128, 'M', 256, 256, 'M', 512, 512, 'M', 512, 512, 'M'], 'VGG13': [64, 64, 'M', 128, 128, 'M', 256, 256, 'M', 512, 512, 'M', 512, 512, 'M'], 'VGG16': [64, 64, 'M', 128, 128, 'M', 256, 256, 256, 'M', 512, 512, 512, 'M', 512, 512, 512, 'M'], 'VGG19': [64, 64, 'M', 128, 128, 'M', 256, 256, 256, 256, 'M', 512, 512, 512, 512, 'M', 512, 512, 512, 512, 'M'],}# 模型需继承nn.Moduleclass VGG(nn.Module):# 初始化参数： def __init__(self, vgg_name): super(VGG, self).__init__() self.features = self._make_layers(cfg[vgg_name]) self.classifier ……

PyTorch的深度学习入门教程之构建神经网络

前言 本文参考PyTorch官网的教程，分为五个基本模块来介绍PyTorch。为了避免文章过长，这五个模块分别在五篇博文中介绍。 Part3：使用PyTorch构建一个神经网络 神经网络可以使用touch.nn来构建。nn依赖于autograd来定义模型，并且对其求导。一个nn.Module包含网络的层（layers），同时forward(input)可以返回output。 这是一个简单的前馈网络。它接受输入，然后一层一层向前传播，最后输出一个结果。 训练神经网络的典型步骤如下： （1） 定义神经网络，该网络包含一些可以学习的参数（如权重） （2） 在输入数据集上进行迭代 （3） 使用网络对输入数据进行处理 （4） 计算loss（输出值距离正确值有多远） （5）……

以上就是本次介绍的深度学习电子书的全部相关内容，希望我们整理的资源能够帮助到大家，感谢大家对码农之家的支持。

上一篇：R语言实战：机器学习与数据分析

下一篇：图解数据结构:使用C++