目 录
第1篇 深度学习基础篇
第1 章 PyTorch 简介与安装 ................. 2
1.1 PyTorch 简介 ................................... 2
1.2 PyTorch 的主要应用 ....................... 3
1.3 PyTorch 安装 ................................... 4
1.3.1 CPU 版本PyTorch 安装 ..................... 5
1.3.2 GPU 版本PyTorch 安装 ..................... 6
1.3.3 安装辅助库和安装测试 ...................... 7
1.4 本章小结 ....................................... 10
第2 章 机器学习基础与线性回归 ....... 11
2.1 机器学习基础 ............................... 11
2.2 线性回归 ....................................... 12
2.3 本章小结 ....................................... 18
第3 章 张量与数据类型 ...................... 19
3.1 PyTorch 张量 ................................. 19
3.1.1 初始化张量 ....................................... 19
3.1.2 张量类型 ........................................... 20
3.1.3 创建随机值张量 ............................... 21
3.1.4 张量属性 ........................................... 22
3.1.5 将张量移动到显存 ........................... 22
3.2 张量运算 ....................................... 23
3.2.1 与NumPy 数据类型的转换 ............. 24
3.2.2 张量的变形 ....................................... 24
3.3 张量的自动微分 ............................ 25
3.4 本章小结 ........................................ 26
第4 章 分类问题与多层感知器 ........... 27
4.1 torchvision 库 ................................. 27
4.2 加载内置图片数据集 .................... 27
4.3 多层感知器 .................................... 30
4.4 激活函数 ........................................ 33
4.4.1 ReLU 激活函数 ................................ 33
4.4.2 Sigmoid 激活函数 ............................. 34
4.4.3 Tanh 激活函数 .................................. 35
4.4.4 LeakyReLU 激活函数 ....................... 36
4.5 本章小结 ........................................ 37
第5 章 多层感知器模型与模型训练 .... 38
5.1 多层感知器模型 ............................ 38
5.2 损失函数 ........................................ 40
5.3 优化器 ............................................ 41
5.4 初始化模型 .................................... 42
5.5 编写训练循环 ................................ 42
5.6 本章小结 ........................................ 46
第6 章 梯度下降法、反向传播算法与内置优化器 ......................... 47
6.1 梯度下降法 .................................... 47
6.2 反向传播算法 ............................... 49
6.3 PyTorch 内置的优化器 ................. 50
6.3.1 SGD 优化器 ...................................... 51
6.3.2 RMSprop 优化器 .............................. 51
6.3.3 Adam 优化器 .................................... 51
6.4 本章小结 ........................................ 52
第2 篇 计算机视觉篇
第7 章 计算机视觉与卷积神经网络 .... 54
7.1 什么是卷积神经网络 ................... 54
7.2 池化层 ........................................... 57
7.3 卷积神经网络的整体架构 ............ 59
7.4 本章小结 ....................................... 60
第8 章 卷积入门实例 ......................... 61
8.1 数据输入 ....................................... 61
8.2 创建卷积模型并训练 ................... 62
8.3 函数式API .................................... 66
8.4 超参数选择 ................................... 67
8.5 本章小结 ....................................... 68
第9 章 图像读取与模型保存 ............... 69
9.1 加载图片数据集 ........................... 69
9.2 创建图片分类模型 ....................... 74
9.3 模型保存 ....................................... 77
9.3.1 保存和加载模型权重........................ 77
9.3.2 保存和恢复检查点 ........................... 77
9.3.3 保存最优参数 ................................... 79
9.4 本章小结 ....................................... 80
第10 章 多分类问题与卷积模型的优化 ..................................... 82
10.1 创建自定义Dataset 类 ................ 82
10.2 基础卷积模型 ............................. 87
10.3 Dropout 抑制过拟合 .................... 89
10.4 批标准化 ...................................... 93
10.5 学习速率衰减 .............................. 96
10.6 本章小结 ...................................... 98
第11 章 迁移学习与数据增强 ............. 99
11.1 什么是迁移学习 .......................... 99
11.2 数据增强 .................................... 103
11.3 微调 ............................................ 109
11.4 本章小结 .................................... 112
第12 章 经典网络模型与特征提取 ... 113
12.1 VGG ........................................... 113
12.2 ResNet ........................................ 115
12.3 TensorBoard 可视化 .................. 117
12.4 ResNetBasicBlock 结构 ............. 120
12.5 Inception ..................................... 123
12.6 DenseNet .................................... 126
12.7 DenseNet 预训练模型提取特征 .................................... 128
12.8 本章小结 .................................... 131
第13 章 图像定位基础 ..................... 132
13.1 简单图像定位模型 .................... 132
13.2 数据集观察 ................................ 133
13.3 创建模型输入 ............................ 138
13.4 创建图像定位模型 ................... 141
13.5 模型保存与测试 ....................... 146
13.6 本章小结 ................................... 147
第14 章 图像语义分割 ..................... 148
14.1 常见图像处理任务 ................... 148
14.2 图像语义分割 ........................... 150
14.3 U-Net 语义分割模型 ................. 152
14.4 创建输入dataset ........................ 154
14.5 反卷积 ........................................ 158
14.6 U-Net 模型代码实现 ................. 159
14.7 模型训练 .................................... 163
14.8 模型的保存和预测 .................... 166
14.9 本章小结 .................................... 168
第3 篇 自然语言处理和序列篇
第15 章 文本分类与词嵌入 .............. 172
15.1 文本的数值表示 ....................... 172
15.1.1 Word2vec ....................................... 174
15.1.2 Glove ............................................. 174
15.1.3 Embedding Layer ........................... 174
15.2 torchtext 加载内置文本数据集 .. 175
15.3 创建DataLoader 和文本分类模型 ........................................... 178
15.3.1 Xavier 初始化方法 ........................ 181
15.3.2 kaiming 初始化方法 ..................... 182
15.4 本章小结 ................................... 184
第16 章 循环神经网络与一维卷积神经网络 ............................ 185
16.1 循环神经网络的概念................ 185
16.2 长短期记忆网络 ........................ 192
16.3 门控循环单元 ............................ 194
16.4 LSTM 和GRU 高阶API ........... 195
16.5 循环神经网络的应用 ................ 197
16.6 中文文本分类实例 .................... 198
16.7 LSTM 模型的优化 .................... 201
16.8 一维卷积神经网络 .................... 203
16.9 本章小结 .................................... 207
第17 章 序列预测实例 ..................... 208
17.1 时间序列数据集准备 ................ 208
17.2 序列预测模型 ............................ 214
17.3 本章小结 .................................... 215
第4 篇 生成对抗网络和目标检测篇
第18 章 生成对抗网络 ..................... 218
18.1 GAN 的概念及应用 .................. 218
18.1.1 什么是GAN .................................. 218
18.1.2 GAN 的应用 .................................. 220
18.2 基本的GAN 实例 ..................... 221
18.3 深度卷积生成对抗网络 ............ 227
18.4 本章小结 .................................... 231
第19 章 目标检测 ............................ 232
19.1 什么是目标检测 ....................... 232
19.2 常用目标检测算法 ................... 234
19.3 PyTorch 目标检测模块 ............. 236
19.4 目标检测的图像标注................ 241
19.5 使用自行标注数据集训练目标检测模型 ............................ 242
19.6 本章小结 .................................... 249
参考文献 ............................................ 250
温馨提示：请使用泸西县图书馆的读者帐号和密码进行登录
