[套装书]Python深度学习：基于PyTorch+神经网络与深度学习实战：Python+Keras+TensorFlow（2册）

作者
吴茂贵 郁明敏 杨本法 李涛 张粤磊陈屹
丛书名
智能系统与技术丛书
出版社
机械工业出版社
ISBN
9781911041723
简要
简介
这是一本基于最新的Python和PyTorch版本的深度学习著作，旨在帮助读者低门槛进入深度学习领域，轻松速掌握深度学习的理论知识和实践方法，快速实现从入门到进阶的转变。 本书是多位人工智能技术专家和大数据技术专家多年工作经验的结晶，从工具使用、技术原理、算法设计、案例实现等多个维度对深度学习进行了系统的讲解。内容选择上，广泛涉猎、重点突出、注重实战；内容安排上，实例切入、由浅入深、循序渐进；表达形式上，深度抽象、化繁为简、用图说话。 本书共16章，分为三部分： 第一部分（第1~4章） PyTorch基础 首先讲解了机器学习和数据科学中必然会用到的工具Numpy的使用，然后从多个角度讲解了Pytorch的必备基础知识，最后详细讲解了Pytorch的神经网络工具箱和数据处理工具箱。 第二部分（第5~8章） 深度学习基础 这部分从技术原理、算法设计、实践技巧等维度讲解了机器学习和深度学习的经典理理论、算法以及提升深度学习模型性能的多种技巧，涵盖视觉处理、NLP和生成式深度学习等主题。 第三部分（第9~16章） 深度学习实践 这部分从工程实践的角度讲解了深度学习的工程方法和在一些热门领域的实践方案，具体包括人脸识别、图像修复、图像增强、风格迁移、中英文互译、生成式对抗网络、对抗攻击、强化学习、深度强化学习等内容。 ---------------------------神经网络与深度学习实战：Python+Keras+TensorFlow--------------------------- . 本书通过理论与项目实践相结合的方式引领读者进入人工智能技术的大门。本书共15章，涵盖的内容有神经网络初体验；深度学习的微积分基础；深度学习的线性代数基础；神经网络的理论基础；用python从零实现识别手写数字的神经网络；神经网络项目实践；使用神经网络实现机器视觉识别；用深度学习实现自然语言处理；自动编解码网络和生成型对抗性网络；增强性学习网络开发实践；Tensorflow入门；使用Tensorflow和Keras开发高级自然语言处理系统；使用Tensorflow和Keras实现高级图像识别处理系统；使用Tensorflow和Keras打造智能推荐系统；深度学习重要概念和技巧总结。本书尽可能通过细致的讲解降低读者入门人工智能编程的门槛。书中案例丰富，内容非常实用，特别适合有志于投身人工智能领域的IT专业人士或学生阅读。阅读本书需要读者具有一定的数学基础。
目录



---------------------------Python深度学习：基于PyTorch---------------------------


前言
第一部分　PyTorch基础
第1章　Numpy基础2
1.1　生成Numpy数组3
1.1.1　从已有数据中创建数组3
1.1.2　利用random模块生成数组4
1.1.3　创建特定形状的多维数组5
1.1.4　利用arange、linspace函数生成数组6
1.2　获取元素7
1.3　Numpy的算术运算9
1.3.1　对应元素相乘9
1.3.2　点积运算10
1.4　数组变形11
1.4.1　更改数组的形状11
1.4.2　合并数组14
1.5　批量处理16
1.6　通用函数17
1.7　广播机制19
1.8　小结20
第2章　PyTorch基础21
2.1　为何选择PyTorch？21
2.2　安装配置22
2.2.1　安装CPU版PyTorch22
2.2.2　安装GPU版PyTorch24
2.3　Jupyter Notebook环境配置26
2.4　Numpy与Tensor28
2.4.1　Tensor概述28
2.4.2　创建Tensor28
2.4.3　修改Tensor形状30
2.4.4　索引操作31
2.4.5　广播机制32
2.4.6　逐元素操作32
2.4.7　归并操作33
2.4.8　比较操作34
2.4.9　矩阵操作35
2.4.10　PyTorch与Numpy比较35
2.5　Tensor与Autograd36
2.5.1　自动求导要点36
2.5.2　计算图37
2.5.3　标量反向传播38
2.5.4　非标量反向传播39
2.6　使用Numpy实现机器学习41
2.7　使用Tensor及Antograd实现机器学习44
2.8　使用TensorFlow架构46
2.9　小结48
第3章　PyTorch神经网络工具箱49
3.1　神经网络核心组件49
3.2　实现神经网络实例50
3.2.1　背景说明51
3.2.2　准备数据52
3.2.3　可视化源数据53
3.2.4　构建模型53
3.2.5　训练模型54
3.3　如何构建神经网络？56
3.3.1　构建网络层56
3.3.2　前向传播57
3.3.3　反向传播57
3.3.4　训练模型58
3.4　神经网络工具箱nn58
3.4.1　nn.Module58
3.4.2　nn.functional58
3.5　优化器59
3.6　动态修改学习率参数60
3.7　优化器比较60
3.8　小结62
第4章　PyTorch数据处理工具箱63
4.1　数据处理工具箱概述63
4.2　utils.data简介64
4.3　torchvision简介66
4.3.1　transforms67
4.3.2　ImageFolder67
4.4　可视化工具69
4.4.1　tensorboardX简介69
4.4.2　用tensorboardX可视化神经网络71
4.4.3　用tensorboardX可视化损失值72
4.4.4　用tensorboardX可视化特征图73
4.5　本章小结74
第二部分　深度学习基础
第5章　机器学习基础76
5.1　机器学习的基本任务76
5.1.1　监督学习77
5.1.2　无监督学习77
5.1.3　半监督学习78
5.1.4　强化学习78
5.2　机器学习一般流程78
5.2.1　明确目标79
5.2.2　收集数据79
5.2.3　数据探索与预处理79
5.2.4　选择模型及损失函数80
5.2.5　评估及优化模型81
5.3　过拟合与欠拟合81
5.3.1　权重正则化82
5.3.2　Dropout正则化83
5.3.3　批量正则化86
5.3.4　权重初始化88
5.4　选择合适激活函数89
5.5　选择合适的损失函数90
5.6　选择合适优化器92
5.6.1　传统梯度优化的不足93
5.6.2　动量算法94
5.6.3　AdaGrad算法96
5.6.4　RMSProp算法97
5.6.5　Adam算法98
5.7　GPU加速99
5.7.1　单GPU加速100
5.7.2　多GPU加速101
5.7.3　使用GPU注意事项104
5.8　本章小结104
第6章　视觉处理基础105
6.1　卷积神经网络简介105
6.2　卷积层107
6.2.1　卷积核108
6.2.2　步幅109
6.2.3　填充111
6.2.4　多通道上的卷积111
6.2.5　激活函数113
6.2.6　卷积函数113
6.2.7　转置卷积114
6.3　池化层115
6.3.1　局部池化116
6.3.2　全局池化117
6.4　现代经典网络119
6.4.1　LeNet-5模型119
6.4.2　AlexNet模型120
6.4.3　VGG模型121
6.4.4　GoogleNet模型122
6.4.5　ResNet模型123
6.4.6　胶囊网络简介124
6.5　PyTorch实现CIFAR-10多分类125
6.5.1　数据集说明125
6.5.2　加载数据125
6.5.3　构建网络127
6.5.4　训练模型128
6.5.5　测试模型129
6.5.6　采用全局平均池化130
6.5.7　像Keras一样显示各层参数131
6.6　模型集成提升性能133
6.6.1　使用模型134
6.6.2　集成方法134
6.6.3　集成效果135
6.7　使用现代经典模型提升性能136
6.8　本章小结137
第7章　自然语言处理基础138
7.1　循环神经网络基本结构138
7.2　前向传播与随时间反向传播140
7.3　循环神经网络变种143
7.3.1　LSTM144
7.3.2　GRU145
7.3.3　Bi-RNN146
7.4　循环神经网络的PyTorch实现146
7.4.1　RNN实现147
7.4.2　LSTM实现149
7.4.3　GRU实现151
7.5　文本数据处理152
7.6　词嵌入153
7.6.1　Word2Vec原理154
7.6.2　CBOW模型155
7.6.3　Skip-Gram模型155
7.7　PyTorch实现词性判别156
7.7.1　词性判别主要步骤156
7.7.2　数据预处理157
7.7.3　构建网络157
7.7.4　训练网络158
7.7.5　测试模型160
7.8　用LSTM预测股票行情160
7.8.1　 导入数据160
7.8.2　数据概览161
7.8.3　预处理数据162
7.8.4　定义模型163
7.8.5　训练模型163
7.8.6　测试模型164
7.9　循环神经网络应用场景165
7.10　小结166
第8章　生成式深度学习167
8.1　用变分自编码器生成图像167
8.1.1　自编码器168
8.1.2　变分自编码器168
8.1.3　用变分自编码器生成图像169
8.2　GAN简介173
8.2.1　GAN架构173
8.2.2　GAN的损失函数174
8.3　用GAN生成图像175
8.3.1　判别器175
8.3.2　生成器175
8.3.3　训练模型175
8.3.4　可视化结果177
8.4　VAE与GAN的优缺点178
8.5　ConditionGAN179
8.5.1　CGAN的架构179
8.5.2　CGAN生成器180
8.5.3　CGAN判别器180
8.5.4　CGAN损失函数181
8.5.5　CGAN可视化181
8.5.6　查看指定标签的数据182
8.5.7　可视化损失值182
8.6　DCGAN183
8.7　提升GAN训练效果的一些技巧184
8.8　小结185
第三部分　深度学习实践
第9章　人脸检测与识别188
9.1　人脸识别一般流程188
9.2　人脸检测189
9.2.1　目标检测189
9.2.2　人脸定位191
9.2.3　人脸对齐191
9.2.4　MTCNN算法192
9.3　特征提取193
9.4　人脸识别198
9.4.1　人脸识别主要原理198
9.4.2　人脸识别发展198
9.5　PyTorch实现人脸检测与识别199
9.5.1　验证检测代码199
9.5.2　检测图像200
9.5.3　检测后进行预处理200
9.5.4　查看经检测后的图像201
9.5.5　人脸识别202
9.6　小结202
第10章　迁移学习实例203
10.1　迁移学习简介203
10.2　特征提取204
10.2.1　PyTorch提供的预处理模块205
10.2.2　特征提取实例206
10.3　数据增强209
10.3.1　按比例缩放209
10.3.2　裁剪210
10.3.3　翻转210
10.3.4　改变颜色211
10.3.5　组合多种增强方法211
10.4　微调实例212
10.4.1　数据预处理212
10.4.2　加载预训练模型213
10.4.3　修改分类器213
10.4.4　选择损失函数及优化器213
10.4.5　训练及验证模型214
10.5　清除图像中的雾霾214
10.6　小结217
第11章　神经网络机器翻译实例218
11.1　Encoder-Decoder模型原理218
11.2　注意力框架220
11.3　PyTorch实现注意力Decoder224
11.3.1　构建Encoder224
11.3.2　构建简单Decoder225
11.3.3　构建注意力Decoder226
11.4　用注意力机制实现中英文互译227
11.4.1　导入需要的模块228
11.4.2　数据预处理228
11.4.3　构建模型231
11.4.4　训练模型234
11.4.5　随机采样，对模型进行测试235
11.4.6　可视化注意力236
11.5　小结237
第12章　实战生成式模型238
12.1　DeepDream模型238
12.1.1　Deep Dream原理238
12.1.2　DeepDream算法流程239
12.1.3　用PyTorch实现Deep Dream240
12.2　风格迁移243
12.2.1　内容损失244
12.2.2　风格损失245
12.2.3　用PyTorch实现神经网络风格迁移247
12.3　PyTorch实现图像修复252
12.3.1　网络结构252
12.3.2　损失函数252
12.3.3　图像修复实例253
12.4　PyTorch实现DiscoGAN255
12.4.1　DiscoGAN架构256
12.4.2　损失函数258
12.4.3　DiscoGAN实现258
12.4.4　用PyTorch实现从边框生成鞋子260
12.5　小结262
第13章　Caffe2模型迁移实例263
13.1　Caffe2简介263
13.2　Caffe如何升级到Caffe2264
13.3　PyTorch如何迁移到Caffe2265
13.4　小结268
第14章　AI新方向：对抗攻击269
14.1　对抗攻击简介269
14.1.1　白盒攻击与黑盒攻击270
14.1.2　无目标攻击与有目标攻击270
14.2　常见对抗样本生成方式271
14.2.1　快速梯度符号法271
14.2.2　快速梯度算法271
14.3　PyTorch实现对抗攻击272
14.3.1　实现无目标攻击272
14.3.2　实现有目标攻击274
14.4　对抗攻击和防御措施276
14.4.1　对抗攻击276
14.4.2　常见防御方法分类276
14.5　总结277
第15章　强化学习278
15.1　强化学习简介278
15.2　Q-Learning原理281
15.2.1　Q-Learning主要流程281
15.2.2　Q函数282
15.2.3　贪婪策略283
15.3　用PyTorch实现Q-Learning283
15.3.1　定义Q-Learing主函数283
15.3.2　执行Q-Learing284
15.4　SARSA算法285
15.4.1　SARSA算法主要步骤285
15.4.2　用PyTorch实现SARSA算法286
15.5　小结287
第16章　深度强化学习288
16.1　DQN算法原理288
16.1.1　Q-Learning方法的局限性289
16.1.2　用DL处理RL需要解决的问题289
16.1.3　用DQN解决方法289
16.1.4　定义损失函数290
16.1.5　DQN的经验回放机制290
16.1.6　目标网络290
16.1.7　网络模型291
16.1.8　DQN算法291
16.2　用PyTorch实现DQN算法292
16.3　小结295
附录A　PyTorch0.4版本变更296
附录B　AI在各行业的最新应用301



---------------------------神经网络与深度学习实战：Python+Keras+TensorFlow---------------------------


前言
本书内容导图
第1章 神经网络初体验 1
1.1 开发环境的安装 1
1.2 快速构建一个识别手写数字图片的神经网络 2
第2章 深度学习中的微积分基础 8
2.1 实数中的无理数 8
2.2 什么叫极限 10
2.3 函数的连续性 12
2.4 函数求导 13
2.5 导数的一般法则 15
2.6 间套函数的链式求导法则 17
2.7 多变量函数与偏导数 19
2.8 导数与极值 19
2.9 使用导数寻求函数的最小值 21
第3章 深度学习的线性代数基础 25
3.1 常量与向量 26
3.2 矩阵及相关操作 26
3.3 tensor——多维向量 28
3.4 向量范数 30
第4章 神经网络的理论基础 31
4.1 详解神经网络中的神经元激活函数 31
4.2 使用矩阵运算驱动神经网络数据加工链 38
4.3 通过反向传播算法回传误差改进链路权重 42
4.4 使用矩阵和梯度下降法实现神经网络的迭代训练 45
4.5 手算梯度下降法，详解神经网络迭代训练过程 53
第5章 用Python从零实现识别手写数字的神经网络 58
5.1 基本框架的搭建 58
5.2 实现网络的迭代训练功能 62
5.3 网络训练，识别手写数字图片 64
第6章 神经网络项目实践 70
6.1 使用神经网络分析电影评论的正能量和负能量 70
6.2 使用神经网络实现新闻话题分类 78
6.3 使用神经网络预测房价中位数 83
第7章 使用神经网络实现机器视觉识别 90
7.1 卷积神经网络入门 90
7.2 从零开始构造一个识别猫、狗图片的卷积网络 93
7.3 使用预先训练的卷积网络实现图像快速识别 101
7.4 视觉化神经网络的学习过程 105
7.5 揭秘卷积网络的底层原理 109
第8章 用深度学习实现自然语言处理 124
8.1 Word Embedding 单词向量化 124
8.2 概率论的一些重要概念 130
8.3 skip-gram单词向量化算法的数学原理 136
8.4 使用预先训练好的单词向量实现新闻摘要分类 140
8.5 RNN——具有记忆功能的神经网络 143
8.6 LSTM网络层详解及其应用 145
8.7 使用RNN和CNN混合的“鸡尾酒疗法”提升网络运行效率 148
第9章 自动编解码网络和生成型对抗性网络 150
9.1 自动编解码器网络的原理与实现 150
9.2 去噪型编解码网络 154
9.3 使用自动编解码网络实现黑白图片上色 157
9.4 生成型对抗性网络 162
9.5 生成型对抗性网络的代码实现 163
9.6 条件性生成型对抗性网络 169
第10章 增强性学习网络开发实践 176
10.1 增强性学习网络的基本原理 176
10.2 开发环境配置 177
10.3 增强性学习网络的数学原理 179
10.4 Bellman函数和最优化 180
10.5 Bellman等式的推导 181
10.6 用实例讲解Bellman函数的应用 182
10.7 解决冰冻湖问题 185
10.8 ε贪婪算法 188
10.9 运用神经网络和Bellman函数解决Cartpole问题 188
第11章 TensorFlow入门 193
11.1 TensorFlow图运算原理 193
11.2 TensorFlow代码实践 195
11.3 TensorFlow的输入、变量、输出及运算操作 197
11.4 TensorFlow的变量定义 200
11.5 TensorFlow的运算输出及运算操作 201
11.6 用TensorFlow开发神经网络的相关操作 204
11.7 开发TensorFlow程序应注意的事项 207
11.8 使用TensorFlow开发神经网络 213
第12章 使用TensorFlow和Keras 开发高级自然语言处理系统 218
12.1 Skip-Gram算法实现 218
12.2 使用RNN网络模型的基本原理 230
12.3 代码实现RNN网络 232
12.4 LSTM网络的结构原理 242
12.5 使用LSTM网络实现人机问答系统 247
第13章 使用TensorFlow和Keras 实现高级图像识别处理系统 256
13.1 实现艺术风格的转换 256
13.2 使用胶囊网络实现服装识别 266
13.3 使用TensorFlow API 实现精准物体识别 285
13.4 DeeDream：使用神经网络构造具有惊悚审美效果的艺术作品 293
第14章 使用TensorFlow和Keras 打造智能推荐系统 300
14.1 创造一个网易云音乐推荐引擎 300
14.2 使用TensorFlow构建高质量商品推荐系统 309
14.3 实现淘宝“拍立淘”图片搜索引擎 313
第15章 深度学习的重要概念和技巧总结 319




有问题微信扫码联系

推荐

Understand China
桂ICP备20004708号-4