深度學習框架PyTorch快速開發(fā)與實戰(zhàn)

第一部分 理論部分
第1章 深度學習簡介 2
1.1 深度學習 2
1.2 神經(jīng)網(wǎng)絡的發(fā)展 6
1.3 深度學習的應用 7
1.4 常用的數(shù)學知識和機器學習算法 8
1.5 PyTorch簡介 11
1.5.1 PyTorch介紹 11
1.5.2 使用PyTorch的公司 15
1.5.3 PyTorch API 16
1.5.4 為什么選擇Python語言 16
1.5.5 Python語言的特點 16
1.6 常用的機器學習、深度學習開源框架 17
1.7 其他常用的模塊庫 19
1.8 深度學習常用名詞 20
第2章 PyTorch環(huán)境安裝 33
2.1 基于Ubuntu環(huán)境的安裝 33
2.1.1 安裝Anaconda 35
2.1.2 設置國內(nèi)鏡像 36
2.2 Conda命令安裝PyTorch 37
2.3 pip命令安裝PyTorch 37
2.4 配置CUDA 38
第3章 PyTorch基礎知識 40
3.1 張量 40
3.2 數(shù)學操作 43
3.3 數(shù)理統(tǒng)計 44
3.4 比較操作 45
第4章 簡單案例入門 47
4.1 線性回歸 47
4.2 邏輯回歸 52
第5章 前饋神經(jīng)網(wǎng)絡 59
5.1 實現(xiàn)前饋神經(jīng)網(wǎng)絡 61
5.2 數(shù)據(jù)集 68
5.3 卷積層 72
5.4 Functional函數(shù) 75
5.5 優(yōu)化算法 82
5.6 自動求導機制 85
5.7 保存和加載模型 87
5.8 GPU加速運算 87
第6章 PyTorch可視化工具 89
6.1 Visdom介紹 89
6.2 Visdom基本概念 90
6.2.1 Panes（窗格） 90
6.2.2 Environments（環(huán)境） 90
6.2.3 State（狀態(tài)） 91
6.3 安裝Visdom 91
6.4 可視化接口 91
6.4.1 Python函數(shù)屬性提取技巧 92
6.4.2 vis.text 93
6.4.3 vis.image 93
6.4.4 vis.scatter 94
6.4.5 vis.line 95
6.4.6 vis.stem 97
6.4.7 vis.heatmap 97
6.4.8 vis.bar 99
6.4.9 vis.histogram 101
6.4.10 vis.boxplot 102
6.4.11 vis.surf 103
6.4.12 vis.contour 104
6.4.13 vis.mesh 106
6.4.14 vis.svg 107
第二部分 實戰(zhàn)部分
第7章 卷積神經(jīng)網(wǎng)絡 110
7.1 卷積層 112
7.2 池化層 114
7.3 經(jīng)典的卷積神經(jīng)網(wǎng)絡 115
7.3.1 LeNet-5神經(jīng)網(wǎng)絡結構 115
7.3.2 ImageNet-2010網(wǎng)絡結構 117
7.3.3 VGGNet網(wǎng)絡結構 122
7.3.4 GoodLeNet網(wǎng)絡結構 124
7.3.5 ResNet網(wǎng)絡結構 126
7.4 卷積神經(jīng)網(wǎng)絡案例 129
7.5 深度殘差模型案例 138
第8章 循環(huán)神經(jīng)網(wǎng)絡簡介 145
8.1 循環(huán)神經(jīng)網(wǎng)絡模型結構 146
8.2 不同類型的RNN 147
8.3 LSTM結構具體解析 151
8.4 LSTM的變體 153
8.5 循環(huán)神經(jīng)網(wǎng)絡實現(xiàn) 156
8.5.1 循環(huán)神經(jīng)網(wǎng)絡案例 156
8.5.2 雙向RNN案例 160
第9章 自編碼模型 164
第10章 對抗生成網(wǎng)絡 172
10.1 DCGAN原理 175
10.2 GAN對抗生成網(wǎng)絡實例 180
第11章 Seq2seq自然語言處理 186
11.1 Seq2seq自然語言處理簡介 186
11.2 Seq2seq自然語言處理案例 188
第12章 利用PyTorch實現(xiàn)量化交易 204
12.1 線性回歸預測股價 205
12.2 前饋神經(jīng)網(wǎng)絡預測股價 209
12.3 遞歸神經(jīng)網(wǎng)絡預測股價