PyTorch深度學習

第 1章　PyTorch與深度學習 1
1．1　人工智能　1
1．2　機器學習　3
1．3　深度學習　4
1．3．1　深度學習的應用　4
1．3．2　深度學習的浮夸宣傳　6
1．3．3　深度學習發(fā)展史　6
1．3．4　為何是現(xiàn)在　7
1．3．5　硬件可用性　7
1．3．6　數(shù)據(jù)和算法　8
1．3．7　深度學習框架　9
1．4　小結(jié)　10
第　2章 神經(jīng)網(wǎng)絡(luò)的構(gòu)成　11
2．1　安裝PyTorch　11
2．2　實現(xiàn)第 一個神經(jīng)網(wǎng)絡(luò)　12
2．2．1　準備數(shù)據(jù)　13
2．2．2　為神經(jīng)網(wǎng)絡(luò)創(chuàng)建數(shù)據(jù)　20
2．2．3　加載數(shù)據(jù)　24
2．3　小結(jié)　25
第3章　深入了解神經(jīng)網(wǎng)絡(luò)　26
3．1　詳解神經(jīng)網(wǎng)絡(luò)的組成部分　26
3．1．1　層—神經(jīng)網(wǎng)絡(luò)的基本組成　27
3．1．2　非線性激活函數(shù)　29
3．1．3　PyTorch中的非線性激活函數(shù)　32
3．1．4　使用深度學習進行圖像分類　36
3．2　小結(jié)　46
第4章　機器學習基礎(chǔ)　47
4．1　三類機器學習問題　47
4．1．1　有監(jiān)督學習　48
4．1．2　無監(jiān)督學習　48
4．1．3　強化學習　48
4．2　機器學習術(shù)語　49
4．3　評估機器學習模型　50
4．4　數(shù)據(jù)預處理與特征工程　54
4．4．1　向量化　54
4．4．2　值歸一化　54
4．4．3　處理缺失值　55
4．4．4　特征工程　55
4．5　過擬合與欠擬合　56
4．5．1　獲取更多數(shù)據(jù)　56
4．5．2　縮小網(wǎng)絡(luò)規(guī)模　57
4．5．3　應用權(quán)重正則化　58
4．5．4　應用dropout　58
4．5．5　欠擬合　60
4．6　機器學習項目的工作流　60
4．6．1　問題定義與數(shù)據(jù)集創(chuàng)建　60
4．6．2　成功的衡量標準　61
4．6．3　評估協(xié)議　61
4．6．4　準備數(shù)據(jù)　62
4．6．5　模型基線　62
4．6．6　大到過擬合的模型　63
4．6．7　應用正則化　63
4．6．8　學習率選擇策略　64
4．7　小結(jié)　65
第5章　深度學習之計算機視覺　66
5．1　神經(jīng)網(wǎng)絡(luò)簡介　66
5．2　從零開始構(gòu)建CNN模型　69
5．2．1　Conv2d　71
5．2．2　池化　74
5．2．3　非線性激活—ReLU　75
5．2．4　視圖　76
5．2．5　訓練模型　77
5．2．6　狗貓分類問題—從零開始構(gòu)建CNN　80
5．2．7　利用遷移學習對狗貓分類　82
5．3　創(chuàng)建和探索VGG16模型　84
5．3．1　凍結(jié)層　85
5．3．2　微調(diào)VGG16模型　85
5．3．3　訓練VGG16模型　86
5．4　計算預卷積特征　88
5．5　理解CNN模型如何學習　91
5．6　CNN層的可視化權(quán)重　94
5．7　小結(jié)　95
第6章　序列數(shù)據(jù)和文本的深度學習　96
6．1　使用文本數(shù)據(jù)　96
6．1．1　分詞　98
6．1．2　向量化　100
6．2　通過構(gòu)建情感分類器訓練詞向量　104
6．2．1　下載IMDB數(shù)據(jù)并對文本分詞　104
6．2．2　構(gòu)建詞表　106
6．2．3　生成向量的批數(shù)據(jù)　107
6．2．4　使用詞向量創(chuàng)建網(wǎng)絡(luò)模型　108
6．2．5　訓練模型　109
6．3　使用預訓練的詞向量　110
6．3．1　下載詞向量　111
6．3．2　在模型中加載詞向量　112
6．3．3　凍結(jié)embedding層權(quán)重　113
6．4　遞歸神經(jīng)網(wǎng)絡(luò)（RNN）　113
6．5　LSTM　117
6．5．1　長期依賴　117
6．5．2　LSTM網(wǎng)絡(luò)　117
6．6　基于序列數(shù)據(jù)的卷積網(wǎng)絡(luò)　123
6．7　小結(jié)　125
第7章　生成網(wǎng)絡(luò)　126
7．1　神經(jīng)風格遷移　126
7．1．1　加載數(shù)據(jù)　129
7．1．2　創(chuàng)建VGG模型　130
7．1．3　內(nèi)容損失　131
7．1．4　風格損失　131
7．1．5　提取損失　133
7．1．6　為網(wǎng)絡(luò)層創(chuàng)建損失函數(shù)　136
7．1．7　創(chuàng)建優(yōu)化器　136
7．1．8　訓練　137
7．2　生成對抗網(wǎng)絡(luò)（GAN）　138
7．3　深度卷機生成對抗網(wǎng)絡(luò)　139
7．3．1　定義生成網(wǎng)絡(luò)　140
7．3．2　定義判別網(wǎng)絡(luò)　144
7．3．3　定義損失函數(shù)和優(yōu)化器　145
7．3．4　訓練判別網(wǎng)絡(luò)　145
7．3．5　訓練生成網(wǎng)絡(luò)　146
7．3．6　訓練整個網(wǎng)絡(luò)　147
7．3．7　檢驗生成的圖片　148
7．4　語言建?！?50
7．4．1　準備數(shù)據(jù)　151
7．4．2　生成批數(shù)據(jù)　152
7．4．3　定義基于LSTM的模型　153
7．4．4　定義訓練和評估函數(shù)　155
7．4．5　訓練模型　157
7．5　小結(jié)　159
第8章　現(xiàn)代網(wǎng)絡(luò)架構(gòu)　160
8．1　現(xiàn)代網(wǎng)絡(luò)架構(gòu)　160
8．1．1　ResNet　160
8．1．2　Inception　168
8．2　稠密連接卷積網(wǎng)絡(luò)（DenseNet）　175
8．2．1　DenseBlock　175
8．2．2　DenseLayer　176
8．3　模型集成　180
8．3．1　創(chuàng)建模型　181
8．3．2　提取圖片特征　182
8．3．3　創(chuàng)建自定義數(shù)據(jù)集和數(shù)據(jù)加載器　183
8．3．4　創(chuàng)建集成模型　184
8．3．5　訓練和驗證模型　185
8．4　encoder-decoder架構(gòu)　186
8．4．1　編碼器　188
8．4．2　解碼器　188
8．5　小結(jié)　188
第9章　未來走向　189
9．1　未來走向　189
9．2　回顧　189
9．3　有趣的創(chuàng)意應用　190
9．3．1　對象檢測　190
9．3．2　圖像分割　191
9．3．3　PyTorch中的OpenNMT　192
9．3．4　Allen NLP　192
9．3．5　fast．a(chǎn)i—神經(jīng)網(wǎng)絡(luò)不再神秘　192
9．3．6　Open Neural Network Exchange　192
9．4　如何跟上前沿　193
9．5　小結(jié)　193