PyTorch深度学习

深度学习为全世界的智能控制系统（例如GoogleVoice、Siri和Alexa）出示了驱动力。随之硬件配置（如GPU）和手机软件架构（如PyTorch、Keras、TensorFlow和CNTK）的发展及其互联网大数据的易用性，大家在文字、視覺和剖析等行业更非常容易执行相对难题的解决方法。这书对现如今最前沿的深度学习库PyTorch开展了解读。 凭着其易懂生长习性、精确性及其与Python开发设计的纯天然亲密接触性，PyTorch得到了深度学习科学研究工作人员及其大数据工程师们的关心。这书从PyTorch的安裝说起，随后详细介绍了为当代深度学习出示推动力的好几个基本控制模块，还详细介绍了应用CNN、RNN、LSTM及其别的互联网实体模型解决困难的方式。 这书对好几个优秀的深度学习构架的定义（例如ResNet、DenseNet、Inception和Seq2Seq）开展了论述，但沒有深入分析其身后的数学课关键点。与GPU测算有关的专业知识、应用PyTorch训炼实体模型的方式，及其用于转化成文字和图象的繁杂神经元网络（如转化成互联网），也在这书中进而包含。学好这书后，用户能够应用PyTorch轻轻松松开发设计深度学习手机应用程序。这书內容：在GPU加快的张量测算中应用PyTorch；为图象自主建立uci数据集和统计数据装车器，随后应用torchvision和torchtext检测实体模型；应用PyTorch来保持CNN构架，进而搭建图象分类器；应用RNN、LSTM和GRU开发设计能开展文本分类和語言模型的系统软件；学习培训的CCN构架（例如ResNet、Inception、DenseNet等），并将其运用在迁移学习中；学习培训怎样混和好几个实体模型，进而转化成1个强劲的集成化实体模型；应用GAN转化成新图象，并应用设计风格转移转化成造型艺术图象。 PyTorch是Facebook于2017年末在深度学习和科学计算小工具Torch的基本上，对于Python語言公布的1个全新升级的深度学习工具包，一旦发布便遭受了业内的普遍关心和探讨，现阶段早已变成深度学习从业者的产品研发小工具。《PyTorch深度学习》是应用PyTorch搭建神经网络模型的好用手册，內容分成9章，包含PyTorch与深度学习的基本知识、神经元网络的组成、神经元网络的专业知识、深度学习基本知识、深度学习在计算机视觉中的运用、深度学习在编码序列统计数据和文字中的运用、转化成互联网、当代网络结构，及其PyTorch与深度学习的将来迈向。《PyTorch深度学习》合适对深度学习行业很感兴趣且期待一探PyTorch的业界工作人员阅读文章；具有别的深度学习架构应用工作经验的用户，还可以根据这书把握PyTorch的使用方法。 目录 第1章 PyTorch与深度学习1 1.1 人工智能 1 1.2 机器学习 3 1.3 深度学习 4 1.3.1 深度学习的应用 4 1.3.2 深度学习的浮夸宣传 6 1.3.3 深度学习发展史 6 1.3.4 为何是现在 7 1.3.5 硬件可用性 7 1.3.6 数据和算法 8 1.3.7 深度学习框架 9 1.4 小结 10 第 2章 神经网络的构成 11 2.1 安装PyTorch 11 2.2 实现第 一个神经网络 12 2.2.1 准备数据 13 2.2.2 为神经网络创建数据 20 2.2.3 加载数据 24 2.3 小结 25 第3章 深入了解神经网络 26 3.1 详解神经网络的组成部分 26 3.1.1 层神经网络的基本组成 27 3.1.2 非线性激活函数 29 3.1.3 PyTorch中的非线性激活函数 32 3.1.4 使用深度学习进行图像分类 36 3.2 小结 46 第4章 机器学习基础 47 4.1 三类机器学习问题 47 4.1.1 有监督学习 48 4.1.2 无监督学习 48 4.1.3 强化学习 48 4.2 机器学习术语 49 4.3 评估机器学习模型 50 4.4 数据预处理与特征工程 54 4.4.1 向量化 54 4.4.2 值归一化 54 4.4.3 处理缺失值 55 4.4.4 特征工程 55 4.5 过拟合与欠拟合 56 4.5.1 获取更多数据 56 4.5.2 缩小网络规模 57 4.5.3 应用权重正则化 58 4.5.4 应用dropout 58 4.5.5 欠拟合 60 4.6 机器学习项目的工作流 60 4.6.1 问题定义与数据集创建 60 4.6.2 成功的衡量标准 61 4.6.3 评估协议 61 4.6.4 准备数据 62 4.6.5 模型基线 62 4.6.6 大到过拟合的模型 63 4.6.7 应用正则化 63 4.6.8 学习率选择策略 64 4.7 小结 65 第5章 深度学习之计算机视觉 66 5.1 神经网络简介 66 5.2 从零开始构建CNN模型 69 5.2.1 Conv2d 71 5.2.2 池化 74 5.2.3 非线性激活ReLU 75 5.2.4 视图 76 5.2.5 训练模型 77 5.2.6 狗猫分类问题从零开始构建CNN 80 5.2.7 利用迁移学习对狗猫分类 82 5.3 创建和探索VGG16模型 84 5.3.1 冻结层 85 5.3.2 微调VGG16模型 85 5.3.3 训练VGG16模型 86 5.4 计算预卷积特征 88 5.5 理解CNN模型如何学习 91 5.6 CNN层的可视化权重 94 5.7 小结 95 第6章 序列数据和文本的深度学习 96 6.1 使用文本数据 96 6.1.1 分词 98 6.1.2 向量化 100 6.2 通过构