更新时间：2024-12-27 21:22:20
封面
版权信息
内容简介
作者简介
前言
第1章 PyTorch 2.0——一个新的开始
1.1 燎原之势的人工智能
1.1.1 从无到有的人工智能
1.1.2 深度学习与人工智能
1.1.3 应用深度学习解决实际问题
1.1.4 深度学习技术的优势和挑战
1.2 为什么选择PyTorch 2.0
1.2.1 PyTorch的前世今生
1.2.2 更快、更优、更具编译支持——PyTorch 2.0更好的未来
1.2.3 PyTorch 2.0学习路径——从零基础到项目实战
1.3 本章小结
第2章 Hello PyTorch 2.0——深度学习环境搭建
2.1 安装Python
2.1.1 Miniconda的下载与安装
2.1.2 PyCharm的下载与安装
2.1.3 Python代码小练习：计算Softmax函数
2.2 安装PyTorch 2.0
2.2.1 Nvidia 10/20/30/40系列显卡选择的GPU版本
2.2.2 PyTorch 2.0 GPU Nvidia运行库的安装——以CUDA 11.7+cuDNN 8.2.0为例
2.2.3 PyTorch 2.0小练习：Hello PyTorch
2.3 实战：基于PyTorch 2.0的图像去噪
2.3.1 MNIST数据集的准备
2.3.2 MNIST数据集的特征和标签介绍
2.3.3 模型的准备和介绍
2.3.4 模型的损失函数与优化函数
2.3.5 基于深度学习的模型训练
2.4 本章小结
第3章 基于PyTorch的MNIST分类实战
3.1 实战：基于PyTorch的MNIST手写体分类
3.1.1 数据图像的获取与标签的说明
3.1.2 模型的准备（多层感知机）
3.1.3 损失函数的表示与计算
3.1.4 基于PyTorch的手写体识别的实现
3.2 PyTorch 2.0模型结构输出与可视化
3.2.1 查看模型结构和参数信息
3.2.2 基于netron库的PyTorch 2.0模型可视化
3.2.3 更多的PyTorch 2.0模型可视化工具
3.3 本章小结
第4章 深度学习的理论基础
4.1 反向传播神经网络的历史
4.2 反向传播神经网络两个基础算法详解
4.2.1 最小二乘法详解
4.2.2 道士下山的故事——梯度下降算法
4.2.3 最小二乘法的梯度下降算法以及Python实现
4.3 反馈神经网络反向传播算法介绍
4.3.1 深度学习基础
4.3.2 链式求导法则
4.3.3 反馈神经网络的原理与公式推导
4.3.4 反馈神经网络原理的激活函数
4.3.5 反馈神经网络原理的Python实现
4.4 本章小结
第5章 基于PyTorch卷积层的MNIST分类实战
5.1 卷积运算的基本概念
5.1.1 基本卷积运算示例
5.1.2 PyTorch 2.0中卷积函数实现详解
5.1.3 池化运算
5.1.4 Softmax激活函数
5.1.5 卷积神经网络的原理
5.2 实战：基于卷积的MNIST手写体分类
5.2.1 数据准备
5.2.2 模型设计
5.2.3 基于卷积的MNIST分类模型
5.3 PyTorch 2.0的深度可分离膨胀卷积详解
5.3.1 深度可分离卷积的定义
5.3.2 深度的定义以及不同计算层待训练参数的比较
5.3.3 膨胀卷积详解
5.4 实战：基于深度可分离膨胀卷积的MNIST手写体识别
5.5 本章小结
第6章 PyTorch数据处理与模型可视化
6.1 用于自定义数据集的torch.utils.data工具箱使用详解
6.1.1 使用torch.utils.data.Dataset封装自定义数据集
6.1.2 改变数据类型的Dataset类中transform的使用
6.1.3 批量输出数据的DataLoader类详解
6.2 基于tensorboardX的训练可视化展示
6.2.1 tensorboardX的安装与简介
6.2.2 tensorboardX可视化组件的使用
6.2.3 tensorboardX对模型训练过程的展示
6.3 本章小结
第7章 从冠军开始——实战ResNet
7.1 ResNet基础原理与程序设计基础
7.1.1 ResNet诞生的背景
7.1.2 不要重复造轮子——PyTorch 2.0中的模块工具
7.1.3 ResNet残差模块的实现
7.1.4 ResNet网络的实现
7.2 实战ResNet：CIFAR-10数据集分类
7.2.1 CIFAR-10数据集简介
7.2.2 基于ResNet的CIFAR-10数据集分类
7.3 本章小结
第8章 梅西-阿根廷+巴西=？——有趣的Word Embedding
8.1 文本数据处理
8.1.1 数据集介绍和数据清洗
8.1.2 停用词的使用
8.1.3 词向量训练模型Word2Vec使用介绍
8.1.4 文本主题的提取：基于TF-IDF
8.1.5 文本主题的提取：基于TextRank
