深度学习理论与实战——PyTorch案例详解 pdf下载

系统讨论人工智能原理并辅以具体实例，“讲解+代码”方式便于读者理解并学以致用。

讲解诙谐通俗，基础理论深入讲，前沿模型通俗说。

内容广泛，任何想进入人工智能领域的人都可以构建出一个相当全面的认知。

本书介绍内容包括支持向量机、线性回归、决策树、遗传算法、深度神经网络（VGG、GooleLeNet、Resnet、MobileNet、EfficientNet）、循环神经网络（LSTM、GRU、Attention）、生成对抗网络（DCGAN、WGAN-GP）、自编码器、各种聚类算法、目标检测算法（YOLO、MTCNN）以及强化学习，有助于人工智能新人搭建一个全面且有用的基础框架。

本书包含8个实战，分别是：决策树、MNIST手写数字分类、GAN基础之手写数字生成、GAN优化、风格迁移、目标检测（YOLO）、人脸检测（MTCNN）和自然语言处理。8个实战可以让读者对PyTorch的使用达到较高水平。

陈亦新 硕士，技术作家，涉及人工智能、图像处理和医学等多个领域，是一名热爱AI算法、立志AI落地造福社会的普通人。他因心思细腻、擅长换位思考、为人热情，常常被评价为一名优秀的知识传播者。他撰写的技术公众号“机器学习炼丹术”在短短2个月内收获上万粉丝，被粉丝称为炼丹兄

目录

第1章支持向量机

1．1SVM的原理

1．2SVM求解

1．3核函数

1．4软间隔

1．5小结

第2章线性回归与非线性回归

2．1线性回归

2．1．1线性回归问题的一般形式

2．1．2线性回归中的最优化问题

2．1．3问题的求解

2．2非线性回归分析

2．3初见梯度下降

2．4Python图解梯度下降

2．5小结

第3章基于规则的决策树模型

3．1决策树发展史

3．2决策树算法

3．2．1ID3算法

3．2．2C4．5

3．2．3CART

3．2．4随机森林

3．3Boosting家族

3．3．1XGBoost

3．3．2LightGBM

3．3．3CatBoost

3．4小结

第4章遗传算法家族

4．1遗传算法

4．1．1编码

4．1．2初始化种群

4．1．3自然选择

4．1．4交叉重组

4．1．5基因突变

4．1．6收敛

4．1．7遗传算法总结

4．2蚁群算法

4．2．1蚂蚁系统

4．2．2精英蚂蚁系统

4．2．3最大最小蚂蚁系统

4．2．4小结

第5章神经网络

5．1基本组成

5．1．1神经元

5．1．2层

5．2反向传播

5．2．1复习

5．2．2铺垫

5．2．3公式推导

5．3反向传播神经网络

5．4卷积神经网络

5．4．1卷积运算

5．4．2卷积层

5．4．3池化层

5．5循环神经网络

5．5．1RNN用途

5．5．2RNN结构

5．5．3RNN的反向传播——BPTT

5．6小结

第6章深度神经网络

6．1概述

6．2VGG网络

6．3GoogLeNet

6．3．1Inception v1

6．3．2Inception v2/v3

6．3．3Inception v4

6．3．4InceptionResnet

6．3．5GoogLeNet小结

6．4Resnet

6．5MobileNet

6．5．1CNN计算量如何计算

6．5．2深度可分离卷积

6．5．3ReLU6

6．5．4倒残差

6．6EfficientNet

6．6．1模型的数学表达

6．6．2复合缩放

6．7风格迁移

6．7．1内容损失函数

6．7．2风格损失函数

6．7．3风格迁移的梯度下降

第7章循环神经网络

7．1长短期记忆网络

7．1．1LSTM结构

7．1．2LSTM出现原因

7．2GRU

7．3注意力机制

7．3．1编码解码框架

7．3．2Attention结构

第8章无监督学习

8．1什么是无监督学习

8．2聚类算法

8．2．1Kmeans算法

8．2．2分级聚类

8．2．3具有噪声的基于密度的聚类方法

8．3生成对抗网络

8．3．1通俗易懂的解释

8．3．2原理推导

8．3．3损失函数的问题

8．3．4条件生成对抗网络

8．4自编码器

8．4．1自编码器概述

8．4．2去噪自编码器

8．4．3变分自编码器

第9章目标检测

9．1目标检测概述

9．1．1通俗理解

9．1．2铺垫知识点

9．1．3发展史

9．2YOLO v1

9．2．1输出

9．2．2网络

9．2．3输入

9．2．4损失函数

9．2．5小结

9．3YOLO v2

9．3．1mAP

9．3．2改进

9．3．3整体流程

9．3．4小结

9．4YOLO v3

第10章强化学习

10．1铺垫知识

10．1．1什么是RL

10．1．2马尔可夫决策过程

10．1．3回报Return

10．1．4价值函数

10．1．5贝尔曼方程

10．2DQN

10．2．1DQN损失函数

10．2．2DQN训练技巧

10．2．3DDQN

10．2．4基于优先级的记忆回放

10．2．5Dueling DQN

10．3全面讲解基础知识

10．3．1策略梯度

10．3．2ActorCritic行动者评论家算法

10．3．3A2C与优势函数

10．3．4Offpolicy

10．3．5连续动作空间

第11章GAN进阶与变种

11．1基础GAN存在的问题

11．2DCGAN

11．2．1反卷积(转置卷积+微步卷积)

11．2．2空洞卷积

11．3WGAN

11．3．1GAN问题的再探讨

11．3．2解决方案

11．4WGANGP

11．4．1WGAN的问题

11．4．2梯度惩罚

11．5VAEGAN

11．6CVAEGAN

第12章实战1： 决策树与随机森林

12．1数据集介绍

12．1．1乳腺癌数据简介

12．1．2任务介绍

12．2解决思路

12．2．1Pandas库与Sklearn介绍

12．2．2探索数据

12．2．3决策树模型

12．2．4随机森林模型

12．3小结

第13章实战2： MNIST手写数字分类

13．1数据集介绍

13．1．1MNIST简介

13．1．2任务介绍

13．2解决思路

13．2．1图像处理

13．2．2构建模型的三要素

13．2．3训练模型

13．2．4评估模型

13．3进一步改进finetune

13．4小结

第14章实战3： GAN基础之手写数字对抗生成

14．1GAN任务描述

14．2GAN解决过程及讲解

14．2．1数据准备

14．2．2模型搭建

14．2．3训练过程(核心)

14．3GAN进化——CGAN

14．4小结

14．5问题发现

第15章实战4： GAN进阶与优化

15．1前情提要

15．2WGAN(2017)

15．3WGANGP(2017)

15．4DCGAN(2016)

15．5CVAEGAN

第16章实战5： 风格迁移

16．1任务介绍

16．2解决思路

16．2．1加载模型

16．2．2加载图片

16．2．3获取特征图和Gram矩阵

16．2．4AI作画

16．3小结

第17章实战6： 目标检测(YOLO)

17．1Darknet．py

17．1．1__init__(self)

17．1．2forward(self,x)

17．1．3小结

17．2Detect．py

第18章实战7： 人脸检测

18．1什么是MTCNN

18．2MTCNN流程

18．2．1图像金字塔

18．2．2PNet

18．2．3RNet

18．2．4ONet

18．3训练过程

第19章实战8： 自然语言处理

19．1正则表达式

19．2快速上手textblob

19．2．1极性分析和词性标注

19．2．2词干提取和拼写校正

19．2．3单词字典

19．3基本概念

19．3．1朴素贝叶斯

19．3．2Ngram模型

19．3．3混淆矩阵

19．4基于朴素贝叶斯的垃圾邮件分类

19．5基于随机森林的垃圾邮件分类

第20章Python与PyTorch相关

20．1PyTorch模型类

20．2PyTorch的data类

20．3激活函数

20．4损失函数

20．4．1均方误差

20．4．2交叉熵

20．5model．train()与model．eval()

20．6Python的命令行库argparse

第21章机器学习相关

21．1训练集、测试集、验证集

21．2epoch、batch、minibatch等

21．3规范化

21．3．1内部协变量偏移

21．3．2批规范化

21．3．3BN vs LN

21．4SGD与MBGD

21．5适应性矩估计

21．5．1Momentum

21．5．2AdaGrad

21．5．3RMSProp

21．5．4Adam算法小结

21．6正则化与范式

21．7标签平滑正则化

21．8RBM与DBN

21．9图片的RGB和HSV

21．10网中网结构

21．11K近邻算法

21．12模拟退火算法

21．13流形学习

21．14端侧神经网络GhostNet(2019)

21．14．1Ghost Module

21．14．2分组卷积

21．14．3SE Module

参考文献

前言

人工智能、Python、深度学习可以说是越来越重要了。现在的毕业生找工作，了解这些内容肯定是一个加分项，然而人工智能领域入门学习的引导做得并不充分。在入门学习过程中，重要的应该是读者对这个领域宏观框架的搭建，而非基础、古老算法的数学推导证明。本书注重激发读者对这个领域的学习热情，感受这个领域的魅力，并且用通俗诙谐的语言帮助大家理解每一个概念。

本书对AI领域的每个方面都有涉及，介绍的模型大多数也是现在行业从事者经常使用的模型，所以读者通过本书的学习，会提升对人工智能的理解，并打消对这个专业的恐惧(并不是像电视上那样，人工智能大战人类)。

本书各章节的主要内容如下：

(1) 第1章支持向量机和第2章线性回归，这两章可以说是全书最简单也是数据分析比赛中最不可能用到的传统模型了(不够智能)，所以这两章注重数学分析和推导，建议数学功底不扎实的读者跳过。

(2) 第3章决策树和第4章遗传算法，也属于传统模型，但是现在依然在使用，讲解过程通俗易懂。

(3) 第5~11章全面介绍了神经网络，神经网络是人工智能的基础，图像处理、自然语言处理、强化学习、无监督学习都是基于神经网络的，这一部分讲解通俗易懂，大家认真读一定可以理解。

(4) 第12~19章提供了基于PyTorch实现的8个实战，都非常值得学习，讲解非常透彻。

(5) 第20章和第21章是常见问题解答。虽然和人工智能关系不紧密，但都是扩展知识，也许将来就是你写论文的灵感来源之一。

本书因为内容涵盖广泛，又希望读者理解透彻，所以这里给出阅读意见，不同水平、不同目的的读者可参考不同的阅读路线。

 第20章和第21章是一些基础知识，建议读者在学习之前可以先大致浏览一下，留下一些印象，之后在学习这本书的主体的时候遇到不懂的地方可以及时来查询。

 虚线框内的内容是这本书最重要、最核心的主体部分，其中最主要的是神经网络路线。在学习主体部分的时候，建议按照图中标注的顺序进行学习，这样可以在学习基础概念之后，利用基础实战加深印象，然后学习进阶概念，再学习进阶实战。

 第1、2章涉及的支持向量机和线性回归可以作为挑战自己数学水平的基础章节(不管是否看得懂，都不影响后面的学习)。这两章的内容非常基础，所以放在这里作为挑战(目的是让读者知道： 不要以为看懂了这本书就飘飘然，本书只是基础入门而已)。

 在虚线框外面还有3个实战，这3个实战有难度。如果完成的话，可以在简历里面写上自己完成了3个小项目。

由于作者水平有限，本书中难免出现各种不足，敬请读者不吝批评指正。

陈亦新

2020年7月