[套装书]Python深度学习：基于PyTorch+Python大规模机器学习（2册）

作者

吴茂贵 郁明敏 杨本法 李涛 张粤磊[荷]巴斯蒂安·贾丁（Bastiaan Sjardin） [意]卢卡·马萨罗（Luca Massaron） [意]阿尔贝托·博斯凯蒂（Alberto Boschetti）

丛书名

智能系统与技术丛书

出版社

机械工业出版社

ISBN

9781911041657

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。 ---------------------------Python大规模机器学习--------------------------- . 本书不仅介绍大规模机器学习的基本概念，还包含丰富的案例研究。书中所选皆为最实用的技术和工具，而对理论细节不进行深入讨论，旨在提供大规模机器学习方法（甚至非常规方法）。不管是初学者、普通用户还是专家级用户，通过本书都能理解并掌握利用Python进行大规模机器学习。为让读者快速掌握核心技术，本书由浅入深讲解大量实例，图文并茂呈现每一步的操作结果，帮助读者更好地掌握大规模机器学习Python工具。例如：基于Scikit-learn可扩展学习、 Liblinear和Vowpal Wabbit快速支持向量机、基于Theano与H2O的大规模深度学习方法、TensorFlow深度学习技术与在线神经网络方法、大规模分类和回归树的可扩展解决方案、大规模无监督学习（PCA，聚类分析和主题建模等）扩展方法、Hadoop和Spark分布式环境、Spark机器学习实践以及Theano和GPU计算的基础知识。

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 ---------------------------Python大规模机器学习--------------------------- 译者序 前言 作者简介 审校者简介 第1章迈向可扩展性的第一步1 11详细解释可扩展性1 111大规模实例3 112介绍Python4 113使用Python进行向上扩展4 114使用Python进行向外扩展5 12Python用于大规模机器学习6 121选择Python 2还是Python 36 122安装Python7 123逐步安装7 124安装软件包8 125软件包升级9 126科学计算发行版10 127Jupyter/IPython介绍11 13Python包13 131NumPy14 132SciPy14 133pandas14 134Scikitlearn15 135小结21 第2章Scikitlearn中的可扩展学习22 21非核心学习22 211选择子采样23 212一次优化一个实例24 213构建非核心学习系统25 22流化源数据25 221处理真实数据集26 222第一个示例——流化共享单车数据集28 223使用pandas I/O工具30 224使用数据库31 225关注实例排序35 23随机学习37 231批处理梯度下降37 232随机梯度下降40 233Scikitlearn的SGD实现40 234定义SGD学习参数42 24数据流的特征管理43 241描述目标46 242哈希技巧49 243其他基本变换51 244流测试和验证52 245使用SGD52 25小结56 第3章实现快速SVM57 31测试数据集58 311共享单车数据集58 312森林覆盖类型数据集58 32支持向量机59 321hinge loss及其变形64 322Scikitlearn的SVM实现65 323探究通过子采样改善非线性SVM68 324使用SGD实现大规模SVM70 33正则化特征选择77 34SGD中的非线性78 35超参数调整82 36小结96 第4章神经网络与深度学习97 41神经网络架构98 411神经网络如何学习106 412选择正确的架构110 413使用神经网络111 414sknn并行化111 42神经网络和正则化113 43神经网络和超参数优化115 44神经网络和决策边界117 45用H2O进行规模化深度学习120 451用H2O进行大规模深度学习121 452H2O上的网格搜索124 46深度学习和无监督预训练126 47使用theanets进行深度学习126 48自动编码器和无监督学习128 49小结131 第5章用TensorFlow进行深度学习132 51TensorFlow安装134 52在TensorFlow上使用SkFlow进行机器学习140 53安装Keras和TensorFlow148 54在TensorFlow中通过Keras实现卷积神经网络152 541卷积层153 542池化层153 543全连接层154 55增量CNN方法156 56GPU计算156 57小结159 第6章大规模分类和回归树160 61bootstrap聚合162 62随机森林和极端随机森林163 63随机搜索实现快速参数优化167 64CART和boosting172 65XGBoost179 651XGBoost回归181 652XGBoost流化大型数据集184 653XGBoost模型存储185 66用H2O实现非核心CART185 661H2O上的随机森林和网格搜索186 662H2O上的随机梯度增强和网格搜索188 67小结191 第7章大规模无监督学习192 71无监督方法192 72特征分解：PCA193 721随机化PCA199 722增量PCA200 723稀疏PCA201 73使用H2O的PCA202 74K-均值聚类算法203 741初始化方法206 742K-均值假设206 743选择最佳K209 744扩展K-均值算法：小批量212 75用H2O实现K-均值216 76LDA218 77小结226 第8章分布式环境——Hadoop和Spark227 81从单机到集群227 82设置VM230 821VirtualBox230 822Vagrant232 823使用VM232 83Hadoop生态系统234 831架构234 832HDFS235 833MapReduce242 834YARN250 84Spark250 85小结260 第9章Spark机器学习实践261 91为本章设置虚拟机261 92跨集群节点共享变量262 921广播只读变量262 922累加器只写变量264 923广播和累加器的示例265 93Spark的数据预处理267 931JSON文件和Spark DataFrame268 932处理缺失数据270 933在内存中分组和创建表271 934将预处理的DataFrame或RDD写入磁盘273 935使用Spark DataFrame274 94Spark机器学习276 941Spark处理KDD99数据集277 942读取数据集277 943特征工程280 944训练学习器284 945评估学习器的表现286 946机器学习管道的威力286 947手动优化288 948交叉验证291 95小结293 附录介绍GPU和Theano294

有问题微信扫码联系

• ※[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）
• ※[套装书]离散数学及其应用（原书第8版）+计算机组成与设计：硬件/软件接口(原书第5版)（2册）
• ※[套装书]实时嵌入式系统+实时嵌入式系统软件设计（2册）
• ※[套装书]嵌入式计算与机电一体化技术：基于PIC32微控制器+FPGA应用开发和仿真（2册）
• ※[套装书]嵌入式计算与机电一体化技术：基于PIC32微控制器+RT-Thread内核实现与应用开发实战指南：基于STM32（2册）
• ※[套装书]Python深度学习：基于PyTorch+Python大规模机器学习（2册）
• ※[套装书]聊天机器人：入门、进阶与实战+神经网络与深度学习实战：Python+Keras+TensorFlow（2册）
• ※[套装书]离散数学及其应用（原书第8版）+深入理解计算机系统（原书第3版）（2册）
• ※[套装书]离散数学及其应用（原书第8版）+算法导论(原书第3版)（2册）
• ※[套装书]智能物联网的存储器设计与实现+从M2M到物联网：架构、技术及应用（2册）
• ※[套装书]嵌入式计算与机电一体化技术：基于PIC32微控制器+FFmpeg从入门到精通（2册）

桂ICP备20004708号-4