深度学习原理与PyTorch实战（第二版） pdf下载

本书是*本系统介绍深度学习技术及开源框架PyTorch的入门书。书中通过大量案例介绍了PyTorch的使用方法、*经网络的搭建、常用*经网络（如卷积*经网络、循环*经网络）的实现，以及实用的深度学习技术，*括迁移学习、对抗生成学习、深度强化学习、图*经网络等。读者通过阅读本书，可以学会构造*个图像识别器，生成逼真的图画，让机器理解单词与文本，让机器作曲，教会机器玩游戏，还可以实现*个简单的机器翻译系统。 第2版基于PyTorch *.6.0，对*书代码进行了*面更新，同时增加了Transformer、BERT、图*经网络等热门深度学习技术的讲解，更具实用性和时效性。

集智俱乐*（Swarma Club） 成立于2003年，是*个从事学术研究、享受科学乐趣的探索者团体，也是*内*力于研究人工智能、复杂系统的科学社区之*，倡导以平等开放的态度、科学实证的**，进行跨学科的研究与交流，力图搭建*个中*的“没有围墙的研究所”。目前已出版书籍有《科学的**：漫谈人工智能》《走近2050：注意力、互联网与人工智能》《NetLogo多主体建模入门》，译作有《深度思考：人工智能的*点与人类*造力的起点》。

推荐序
前言
作者简介
第 *章 深度学习简介    *
*.* 深度学习与人工智能    *
*.2 深度学习的历史渊源    2
*.2.* 从感知机到人工*经网络    3
*.2.2 深度学*时代    4
*.2.3 巨头之间的角逐    5
*.3 深度学习的影响因素    6
*.3.* 大数据    6
*.3.2 深度网络架构    7
*.3.3 GPU    **
*.4 深度学习为什么如此成功    **
*.4.* *征学习    **
*.4.2 迁移学习    *2
*.5 小结    *3
*.6 参考文献    *4
第 2章 PyTorch简介    *5
2.* PyTorch安装    *5
2.2 初识PyTorch    *5
2.2.* 与Python*融合    *6
2.2.2 张量计算    *6
2.2.3 动态计算图    20
2.3 PyTorch实例：预测房*    27
2.3.* 准备数据    27
2.3.2 设计模型    28
2.3.3 训练    29
2.3.4 预测    3*
2.3.5 术语汇总    32
2.4 小结    33
第3章 单车预测器——你的第 *个*经网络    35
3.* 共享单车的烦恼    35
3.2 单车预测器*.0    37
3.2.* 人工*经网络简介    37
3.2.2 人工*经元    38
3.2.3 两个隐含*经元    40
3.2.4 训练与运行    42
3.2.5 失败的*经预测器    42
3.2.6 过拟合    48
3.3 单车预测器2.0    49
3.3.* 数据的预处理过程    49
3.3.2 构建*经网络    52
3.3.3 测试*经网络    55
3.4 剖析*经网络Neu    57
3.5 小结    6*
3.6 Q&A    6*
第4章 机器也懂感情——中文情绪分类器    63
4.* *经网络分类器    64
4.*.* 如何用*经网络做分类    64
4.*.2 分类问题的损失函数    66
4.2 词袋模型分类器    67
4.2.* 词袋模型简介    68
4.2.2 搭建简单文本分类器    69
4.3 程序实现    70
4.3.* 数据处理    7*
4.3.2 文本数据向量化    73
4.3.3 划分数据集    74
4.3.4 建立*经网络    75
4.4 运行结果    78
4.5 剖析*经网络    79
4.6 小结    83
4.7 Q&A    83
第5章 手写数字识别器——认识卷积*经网络    84
5.* 什么是卷积*经网络    85
5.*.* 手写数字识别任务的卷积*经网络及运算过程    86
5.*.2 卷积运算    87
5.*.3 池化运算    93
5.*.4 立体卷积核    94
5.*.5 *参数与参数  95
5.*.6 其他说明    96
5.2 手写数字识别器    97
5.2.* 数据准备    97
5.2.2 构建网络    *00
5.2.3 运行模型    *02
5.2.4 测试模型    *04
5.3 剖析卷积*经网络    *05
5.3.* 第 *层卷积核与*征图    *05
5.3.2 第二层卷积核与*征图    *06
5.3.3 卷积*经网络的健壮性实验    *07
5.4 小结    *09
5.5 Q&A    *09
5.6 扩展阅读    *09
第6章 手写数字加法机——迁移学习    **0
6.* 什么是迁移学习    ***
6.*.* 迁移学习的由来    ***
6.*.2 迁移学习的分类    **2
6.*.3 迁移学习的意义    **2
6.*.4 如何用*经网络实现迁移学习    **3
6.2 应用案例：迁移学习如何抗击贫困    **5
6.2.* 背景介绍    **5
6.2.2 方法探寻    **6
6.2.3 迁移学习方法    **6
6.3 蚂蚁还是蜜蜂：迁移大型卷积*经网络    **7
6.3.* 任务描述与初步尝试    **8
6.3.2 ResNet与模型迁移    **9
6.3.3 代码实现    *20
6.3.4 结果分析    *23
6.3.5 更多的模型与数据    *25
6.4 手写数字加法机    *25
6.4.* 网络架构    *25
6.4.2 代码实现    *26
6.4.3 训练与测试    *33
6.4.4 结果    *35
6.4.5 大规模实验    *35
6.5 小结    *40
6.6 实践项目：迁移与效率  *40
第7章 你自己的Prisma——图像风格迁移    *42
7.* 什么是风格迁移    *42
7.*.* 什么是风格    *42
7.*.2 风格迁移的含义    *43
7.2 风格迁移技术发展简史    *44
7.3 *经网络风格迁移    *46
7.3.* *经网络风格迁移的*势    *46
7.3.2 *经网络风格迁移的基本思想    *47
7.3.3 卷积*经网络的选取    *48
7.3.4 内容损失    *49
7.3.5 风格损失    *49
7.3.6 风格损失原理分析    *50
7.3.7 损失函数与*化    *53
7.4 *经网络风格迁移实战    *53
7.4.* 准备工作    *53
7.4.2 建立风格迁移网络    *55
7.4.3 风格迁移训练    *58
7.5 小结    *6*
7.6 扩展阅读    *6*
第8章 人工智能造假术——图像生成与对抗学习    *62
8.* 反卷积与图像生成    *65
8.*.* 卷积*经网络回顾    *65
8.*.2 反卷积运算    *67
8.*.3 反池化过程    *69
8.*.4 反卷积与分数步伐    *70
8.*.5 输出图像尺寸公式    *7*
8.*.6 批正则化技术    *72
8.2 图像生成实验*——最小均方误差模型    *73
8.2.* 模型思路    *73
8.2.2 代码实现    *74
8.2.3 运行结果    *78
8.3 图像生成实验2——生成器—识别器模型    *80
8.3.* 生成器—识别器模型的实现  *80
8.3.2 对抗样本    *83
8.4 图像生成实验3——GAN  *86
8.4.* GAN的总体架构    *87
8.4.2 程序实现    *88
8.4.3 结果展示    *9*
8.5 小结    *93
8.6 Q&A    *93
8.7 扩展阅读    *94
第9章 词汇的星空——*经语言模型与Word2Vec    *95
9.* 词向量技术介绍    *95
9.*.* 初识词向量    *95
9.*.2 传统编码方式    *96
9.2 NPLM：*经概率语言模型    *97
9.2.* NPLM的基本思想    *98
9.2.2 NPLM的运作过程详解    *98
9.2.3 读取NPLM中的词向量    20*
9.2.4 NPLM的编码实现    202
9.2.5 运行结果    205
9.2.6 NPLM的总结与局限    207
9.3 Word2Vec    207
9.3.* CBOW模型和Skip-gram模型的结构    207
9.3.2 层次归*化指数函数    208
9.3.3 负采样    209
9.3.4 总结及分析    2*0
9.4 Word2Vec的应用    2*0
9.4.* 在自己的语料库上训练Word2Vec词向量    2*0
9.4.2 调用现成的词向量    2*2
9.4.3 女人 男人＝*后 **    2*4
9.4.4 使用向量的空间位置进行词对词翻译    2*6
9.4.5 Word2Vec小结    2*7
9.5 小结    2*7
9.6 Q&A    2*8
第 *0章 深度网络 LSTM作曲机——序列生成模型    220
*0.* 序列生成问题    220
*0.2 RNN与LSTM    22*
*0.2.* RNN    22*
*0.2.2 LSTM    227
*0.3 简单0*序列的学习问题    23*
*0.3.* RNN的序列学习    232
*0.3.2 LSTM的序列学习    24*
*0.4 LSTM作曲机    244
*0.4.* MIDI文件    244
*0.4.2 数据准备    245
*0.4.3 模型结构    245
*0.4.4 代码实现    246
*0.5 小结    254
*0.6 Q&A    255
*0.7 扩展阅读    255
第 **章 *经机器翻译机——端到端机器翻译    256
**.* 机器翻译简介    257
**.*.* 基于规则的机器翻译技术    257
**.*.2 统计机器翻译    258
**.*.3 *经机器翻译    258
**.*.4 关于Zero-shot翻译    259
**.2 编码—解码模型    259
**.2.* 编码—解码模型总体架构    260
**.2.2 编码器    260
**.2.3 解码器    263
**.2.4 损失函数    267
**.2.5 编码—解码模型归纳    269
**.2.6 编码—解码模型的效果    269
**.3 注意力机制    270
**.3.* *经机器翻译中的注意力    27*
**.3.2 注意力网络    27*
**.4 更多改进    275
**.4.* GRU的结构    275
**.4.2 双向GRU的应用    275
**.5 *经机器翻译机的编码实现    276
**.5.* *经网络的构建    280
**.5.2 *经网络的训练    283
**.5.3 测试*经机器翻译机    286
**.5.4 结果展示    287
**.6 更多改进    29*
**.6.* 集束搜索算法    29*
**.6.2 BLEU：对翻译结果的评估方法    293
**.6.3 对编码—解码模型的改进    294
**.7 广义的翻译    295
**.7.* 广义翻译机    295
**.7.2 广义翻译的应用场景    295
**.8 Q&A    297
第 *2章 更强的机器翻译模型——Transformer    299
*2.* Transformer概述    299
*2.*.* 编码—解码模型回顾    300
*2.*.2 Transformer*景概览    300
*2.*.3 *奇的自注意力    30*
*2.2 Atoken旅行记    304
*2.2.* 奇怪的序号牌    304
*2.2.2 分身之门    305
*2.2.3 新朋友    306
*2.3 Transformer*件详解    306
*2.3.* 词嵌入与位置嵌入    306
*2.3.2 自注意力模块计算详解    307
*2.3.3 自注意力层的矩阵计算    309
*2.3.4 残差连接与层归*化    3*0
*2.3.5 逐点计算的前向网络层  3**
*2.3.6 解码器中的自注意力    3**
*2.3.7 解码器的输出层    3*2
*2.4 动手训练*个Transformer翻译模型    3*3
*2.4.* 翻译模型中输入单位的粒度    3*3
*2.4.2 模型定义    3*3
*2.4.3 模型训练    3*8
*2.4.4 Transformer相关开源库    3*9
*2.5 小结    3*9
第 *3章 学习跨任务的语言知识——预训练语言模型    320
*3.* 语言模型简要回顾    320
*3.2 预训练Transformer详解    322
*3.2.* 深入了解GPT    323
*3.2.2 深入了解BERT    324
*3.2.3 模型微调    326
*3.2.4 模型表现    327
*3.3 单句分类：BERT句子分类实战    328
*3.4 后BERT时代    334
*3.5 小结    334
第 *4章 人体姿态识别——图网络模型    335
*4.* 图网络及图论基础    335
*4.*.* 图的基本概念    335
*4.*.2 什么是图网络    337
*4.*.3 图网络的基本任务和应用场景    338
*4.2 图卷积网络    338
*4.2.* GCN的工作原理    338
*4.2.2 打开GCN的黑箱    340
*4.2.3 从社团划分任务来理解GCN    34*
*4.3 实战：使用GCN识别人体姿态    344
*4.3.* 数据来源与预处理    345
*4.3.2 代码实现    346
*4.4 小结    350
第 *5章 AI游戏*手——深度强化学习    35*
*5.* 强化学习简介    352
*5.*.* 强化学习的要素    352
*5.*.2 强化学习的应用场景    353
*5.*.3 强化学习的分类    354
*5.2 深度Q学习算法    355
*5.2.* Q学习算法    356
*5.2.2 DQN算法    357
*5.2.3 DQN在雅达利游戏上的表现    359
*5.3 DQN玩Flappy Bird的PyTorch实现    36*
*5.3.* Flappy Bird的PyGame实现    36*
*5.3.2 DQN的PyTorch实现    368
*5.4 小结    377
*5.5 通用人工智能还有多远    378
*5.6 Q&A    379
*5.7 扩展阅读    380