Python深度学习：基于PyTorch第2版 pdf下载

基本信息

• 商品名称：Python深度学习：基于PyTorch 第2版
• 作者：吴茂贵//郁明敏//杨本法//李涛//张粤磊|责编:孙海亮
• 定价：109
• 出版社：机械工业
• 书号：9787111718802

其他参考信息（以实物为准）

• 出版时间：2023-01-01
• 印刷时间：2023-01-01
• 版次：2
• 印次：1
• 开本：16开
• 包装：平装
• 页数：391

编辑推荐语

（1）作者经验丰富：核心作者在大数据和人工智能领域有着超过20年的工作经验，实战经验 丰富，其他几位作者也在大数据和人工智能领域颇有造诣。 （2）畅销书全面升级： 版销量和口碑俱佳，是深度学习领域的畅销书，第2版根据PyTorch新版本升级，技术性、实战性、针对性、易读性进一步提升。 （3）PyTorch领域事实标准：因为内容扎实、可读性强， 版被读者誉为PyTorch领域的标准著作，是读者的 。 （4）深度学习双子星：本书是《Python深度学习：基于TensorFlow（第2版）》的姊妹篇，这两本书均是深度学习领域的畅销书。 （5）精心谋划、通俗易懂：本书在内容的选择、安排和表现形式上精心谋划，目的是确保高质量内容的同时，让深度学习的学习门槛大大降低。

内容提要

这是一本能指导读者快速掌握PyTorch和深度学习的著作，从PyTorch的原理到应用，从深度学习到强化学习，本书提供了全栈解决方案。<br /> 版上市后销量和口碑俱佳，是深度学习领域的畅销书，被誉为PyTorch领域的标准著作。第2版在 版的基础上，去芜存菁，与时具进，根据PyTorch新版本全面升级，技术性、实战性、针对性、丰富性、易读性均得到了进一步提升，必定能帮助读者 轻松、 高效地进入深度学习的世界。<br />全书一共19章，在结构上分为三大部分：<br /> 部分（ ~4章） PyTorch基础<br />首先有针对性地讲解了Python和PyTorch的基石NumPy中的关键知识，然后详细讲解了PyTorch的基础知识、神经网络工具箱和数据处理工具箱等内容，帮助读者快速了解和掌握PyTorch。<br />第二部分（第5~10章） 深度学习基础<br />依次讲解了机器学习、视觉处理、自然语言处理、注意力机制、目标检测、语义分割、生成式深度学习等机器学习和深度学习的核心技术的原理和使用。<br />第三部分（ 1~17章） 深度学习实践<br />通过实战案例的方式，详细讲解了PyTorch在人脸检测和识别、迁移学习、中英文互译、图像分类、语义分割、生成式网络、对抗攻击等领域的应用和解决方案。<br />第四部分（ 8-19章） 强化学习<br />重点介绍了强化学习和深度强化学习的基础理论、常用算法及相关实例。<br /> 为重要的是，为了让本书通俗易懂，在内容安排和写作方式上也颇花了一番心思。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。<br />

作者简介

吴茂贵 <br /> 大数据和人工智能技术专家，在BI、数据挖掘与分析、数据仓库、机器学习等领域工作超过20年。在基于Spark、TensorFlow、PyTorch等的机器学习和深度学习方面有大量的工程实践实践。著有《Python深度学习：基于TensorFlow》、《深度实践Spark机器学习》、《自己动手做大数据系统》、《深入浅出Embedding原理解析与应用实践》等畅销书。<br /><br />郁明敏 <br /> 商业分析师，从事互联网金融算法研究工作，专注于大数据、机器学习以及数据可视化的相关领域，擅长 Python、Hadoop、Spark 等技术，拥有丰富的实战经验。曾获“江苏省TI杯大学生电子竞技大赛”二等奖和“华为杯全国大学生数学建模大赛”二等奖。<br /><br />杨本法　<br /> 算法工程师，工业表面缺陷检测设备开发架构师，在机器学习、文本挖掘、可视化等领域有多年实践经验。做过大型电商的 系统，知名手机厂商外壳表面检测设备。熟悉Hadoop、Spark生态圈的相关技术，对Python有丰富的实战经验。<br /><br />李涛　<br /> AI技术工程师，任职于携程(上海)科技有限公司，负责酒店排序 相关项目的数据分析和算法开发，在计算机视觉技术和搜索 系统有深刻的理解和丰富的实践经验。<br /><br />张粤磊<br />国云大数据学院院长，飞谷云创始人，毕业于中国科技大学，原平安壹钱包大数据架构师。业内知名大数据专家，多部大数据畅销书作者。2016年以来每年都以 专家和咨询顾问身份深入参与大数据、人工智能技术在行业的落地应用。<br />

目录

前言<br /> 版前言<br /> 部分　PyTorch基础<br />第1章　NumPy基础知识2<br />1.1　生成NumPy数组3<br />1.1.1　数组属性4<br />1.1.2　利用已有数据生成数组4<br />1.1.3　利用 random 模块生成数组5<br />1.1.4　生成特定形状的多维数组7<br />1.1.5　利用arange、linspace <br />　　　函数生成数组8<br />1.2　读取数据9<br />1.3　NumPy的算术运算11<br />1.3.1　逐元素操作11<br />1.3.2　点积运算12<br />1.4　数组变形13<br />1.4.1　修改数组的形状13<br />1.4.2　合并数组16<br />1.5　批处理19<br />1.6　节省内存20<br />1.7　通用函数21<br />1.8　广播机制23<br />1.9　小结24<br />第2章　PyTorch基础知识25<br />2.1　为何选择PyTorch25<br />2.2　PyTorch的安装配置26<br />2.2.1　安装CPU版PyTorch26<br />2.2.2　安装GPU版PyTorch28<br />2.3　Jupyter Notebook环境配置30<br />2.4　NumPy与Tensor31<br />2.4.1　Tensor概述31<br />2.4.2　创建Tensor32<br />2.4.3　修改Tensor形状34<br />2.4.4　索引操作35<br />2.4.5　广播机制35<br />2.4.6　逐元素操作36<br />2.4.7　归并操作37<br />2.4.8　比较操作37<br />2.4.9　矩阵操作38<br />2.4.10　PyTorch与NumPy比较39<br />2.5　Tensor与autograd39<br />2.5.1　自动求导要点40<br />2.5.2　计算图40<br />2.5.3　标量反向传播41<br />2.5.4　非标量反向传播42<br />2.5.5　切断一些分支的反向传播45<br />2.6　使用NumPy实现机器学习任务47<br />2.7　使用Tensor及autograd实现机器<br />　　　学习任务49<br />2.8　使用优化器及自动微分实现机器<br />　　　学习任务51<br />2.9　把数据集转换为带批量处理功能的<br />　　　迭代器52<br />2.10　使用TensorFlow 2实现机器<br />　　　学习任务54<br />2.11　小结55<br />第3章　PyTorch神经网络工具箱56<br />3.1　神经网络核心组件56<br />3.2　构建神经网络的主要工具57<br />3.2.1　nn.Module57<br />3.2.2　nn.functional58<br />3.3　构建模型59<br />3.3.1　继承nn.Module基类构建模型59<br />3.3.2　使用nn.Sequential按层<br />　　　顺序构建模型60<br />3.3.3　继承nn.Module基类并应用<br />　　　模型容器来构建模型63<br />3.3.4　自定义网络模块66<br />3.4　训练模型68<br />3.5　实现神经网络实例69<br />3.5.1　背景说明69<br />3.5.2　准备数据70<br />3.5.3　可视化源数据71<br />3.5.4　构建模型72<br />3.5.5　训练模型72<br />3.6　小结74<br />第4章　PyTorch数据处理工具箱75<br />4.1　数据处理工具箱概述75<br />4.2　utils.data76<br />4.3　torchvision78<br />4.3.1　transforms78<br />4.3.2　ImageFolder79<br />4.4　可视化工具81<br />4.4.1　TensorBoard简介81<br />4.4.2　用TensorBoard可视化<br />　　　神经网络82<br />4.4.3　用TensorBoard可视化损失值83<br />4.4.4　用TensorBoard可视化特征图84<br />4.5　小结85<br />第二部分　深度学习基础<br />第5 章　机器学习基础88<br />5.1　机器学习的基本任务88<br />5.1.1　监督学习89<br />5.1.2　无监督学习89<br />5.1.3　半监督学习90<br />5.1.4　强化学习90<br />5.2　机器学习的一般流程90<br />5.2.1　明确目标91<br />5.2.2　收集数据91<br />5.2.3　数据探索与预处理91<br />5.2.4　选择模型及损失函数91<br />5.2.5　评估及优化模型92<br />5.3　过拟合与欠拟合93<br />5.3.1　权重正则化93<br />5.3.2　dropout正则化94<br />5.3.3　批量归一化97<br />5.3.4　层归一化99<br />5.3.5　权重初始化99<br />5.4　选择合适的激活函数100<br />5.5　选择合适的损失函数101<br />5.6　选择合适的优化器103<br />5.6.1　传统梯度优化算法104<br />5.6.2　批量随机梯度下降法105<br />5.6.3　动量算法106<br />5.6.4　Nesterov动量算法108<br />5.6.5　AdaGrad算法109<br />5.6.6　RMSProp算法111<br />5.6.7　Adam算法112<br />5.6.8　Yogi算法113<br />5.6.9　使用优化算法实例114<br />5.7　GPU加速116<br />5.7.1　单GPU加速116<br />5.7.2　多GPU加速117<br />5.7.3　使用GPU时的注意事项120<br />5.8　小结121<br />第6章　视觉处理基础122<br />6.1　从全连接层到卷积层122<br />6.1.1　图像的两个特性123<br />6.1.2　卷积神经网络概述124<br />6.2　卷积层125<br />6.2.1　卷积核127<br />6.2.2　步幅129<br />6.2.3　填充130<br />6.2.4　多通道上的卷积131<br />6.2.5　激活函数134<br />6.2.6　卷积函数135<br />6.2.7　转置卷积136<br />6.2.8　特征图与感受野137<br />6.2.9　全卷积网络138<br />6.3　池化层139<br />6.3.1　局部池化140<br />6.3.2　全局池化140<br />6.4　现代经典网络142<br />6.4.1　LeNet-5模型142<br />6.4.2　AlexNet模型143<br />6.4.3　VGG模型143<br />6.4.4　GoogLeNet模型144<br />6.4.5　ResNet模型145<br />6.4.6　DenseNet模型146<br />6.4.7　CapsNet模型148<br />6.5　使用卷积神经网络实现CIFAR10<br />　　多分类149<br />6.5.1　数据集说明149<br />6.5.2　加载数据149<br />6.5.3　构建网络151<br />6.5.4　训练模型151<br />6.5.5　测试模型152<br />6.5.6　采用全局平均池化153<br />6.5.7　像Keras一样显示各层参数154<br />6.6　使用模型集成方法提升性能156<br />6.6.1　使用模型156<br />6.6.2　集成方法157<br />6.6.3　集成效果158<br />6.7　使用现代经典模型提升性能158<br />6.8　小结159<br />第7章　自然语言处理基础160<br />7.1　从语言模型到循环神经网络160<br />7.1.1　链式法则161<br />7.1.2　马可夫假设与N元语法模型161<br />7.1.3　从N元语法模型到隐含<br />　　　状态表示161<br />7.1.4　从神经网络到有隐含状态的<br />　　　循环神经网络162<br />7.1.5　使用循环神经网络构建<br />　　　语言模型164<br />7.1.6　多层循环神经网络164<br />7.2　正向传播与随时间反向传播165<br />7.3　现代循环神经网络167<br />7.3.1　LSTM168<br />7.3.2　GRU169<br />7.3.3　Bi-RNN169<br />7.4　循环神经网络的PyTorch实现170<br />7.4.1　使用PyTorch实现RNN170<br />7.4.2　使用PyTorch实现LSTM172<br />7.4.3　使用PyTorch实现GRU174<br />7.5　文本数据处理175<br />7.6　词嵌入176<br />7.6.1　Word2Ve原理177<br />7.6.2　CBOW模型177<br />7.6.3　Skip-Gram模型178<br />7.7　使用PyTorch实现词性判别179<br />7.7.1　词性判别的主要步骤179<br />7.7.2　数据预处理180<br />7.7.3　构建网络180<br />7.7.4　训练网络181<br />7.7.5　测试模型182<br />7.8　用LSTM预测股票行情183<br />7.8.1　导入数据183<br />7.8.2　数据概览183<br />7.8.3　预处理数据184<br />7.8.4　定义模型185<br />7.8.5　训练模型185<br />7.8.6　测试模型186<br />7.9　几种特殊架构187<br />7.9.1　编码器-解码器架构187<br />7.9.2　Seq2Seq架构189<br />7.10　循环神经网络应用场景189<br />7.11　小结190<br />第8章　注意力机制191<br />8.1　注意力机制概述191<br />8.1.1　两种常见注意力机制192<br />8.1.2　来自生活的注意力192<br />8.1.3　注意力机制的本质192<br />8.2　带注意力机制的编码器-解码器架构194<br />8.2.1　引入注意力机制194<br />8.2.2　计算注意力分配概率分布值196<br />8.3　Transformer198<br />8.3.1　Transformer的顶层设计198<br />8.3.2　编码器与解码器的输入200<br />8.3.3　自注意力200<br />8.3.4　多头注意力203<br />8.3.5　自注意力与循环神经网络、<br />　　　卷积神经网络的异同204<br />8.3.6　加深Transformer网络层的<br />　　　几种方法205<br />8.3.7　如何进行自监督学习205<br />8.3.8　Vision Transformer207<br />8.3.9　Swin Transformer208<br />8.4　使用PyTorch实现Transformer213<br />8.4.1　Transformer背景介绍214<br />8.4.2　构建EncoderDecoder214<br />8.4.3　构建编码器215<br />8.4.4　构建解码器218<br />8.4.5　构建多头注意力219<br />8.4.6　构建前馈神经网络层221<br />8.4.7　预处理输入数据222<br />8.4.8　构建完整网络224<br />8.4.9　训练模型225<br />8.4.10　实现一个简单实例228<br />8.5　小结230<br />第9章　目标检测与语义分割231<br />9.1　目标检测及主要挑战231<br />9.1.1　边界框的表示232<br />9.1.2　手工标注图像的真实值233<br />9.1.3　主要挑战236<br />9.1.4　选择性搜索236<br />9.1.5　锚框237<br />9.1.6　RPN239<br />9.2　优化候选框的几种算法240<br />9.2.1　交并比240<br />9.2.2　非极大值抑制240<br />9.2.3　边框回归241<br />9.2.4　SPP-Net243<br />9.3　典型的目标检测算法244<br />9.3.1　R-CNN244<br />9.3.2　Fast R-CNN245<br />9.3.3　Faster R-CNN245<br />9.3.4　Mask R-CNN246<br />9.3.5　YOLO247<br />9.3.6　各种算法的性能比较248<br />9.4　语义分割249<br />9.5　小结250<br /> 0章　生成式深度学习251<br />10.1　用变分自编码器生成图像251<br />10.1.1　自编码器251<br />10.1.2　变分自编码器252<br />10.1.3　用变分自编码器生成图像实例253<br />10.2　GAN简介256<br />10.2.1　GAN的架构256<br />10.2.2　GAN的损失函数257<br />10.3　用GAN生成图像257<br />10.3.1　构建判别器258<br />10.3.2　构建生成器258<br />10.3.3　训练模型258<br />10.3.4　可视化结果259<br />10.4　VAE与GAN的异同260<br />10.5　CGAN260<br />10.5.1　CGAN的架构261<br />10.5.2　CGAN的生成器261<br />10.5.3　CGAN的判别器262<br />10.5.4　CGAN的损失函数262<br />10.5.5　CGAN的可视化262<br />10.5.6　查看 标签的数据263<br />10.5.7　可视化损失值263<br />10.6　DCGAN264<br />10.7　提升GAN训练效果的技巧265<br />10.8　小结266<br />第三部分　深度学习实战<br /> 1章　人脸检测与识别实例268<br />11.1　人脸检测与识别的一般流程268<br />11.2　人脸检测269<br />11.2.1　目标检测269<br />11.2.2　人脸定位269<br />11.2.3　人脸对齐270<br />11.2.4　MTCNN算法270<br />11.3　特征提取与人脸识别271<br />11.4　使用PyTorch实现人脸检测与识别276<br />11.4.1　验证检测代码277<br />11.4.2　检测图像277<br />11.4.3　检测后进行预处理278<br />11.4.4　查看检测后的图像278<br />11.4.5　人脸识别279<br />11.5　小结279<br /> 2章　迁移学习实例280<br />12.1　迁移学习简介280<br />12.2　特征提取281<br />12.2.1　PyTorch提供的预处理模块282<br />12.2.2　特征提取实例283<br />12.3　数据增强285<br />12.3.1　按比例缩放286<br />12.3.2　裁剪286<br />12.3.3　翻转287<br />12.3.4　改变颜色287<br />12.3.5　组合多种增强方法287<br />12.4　微调实例288<br />12.4.1　数据预处理288<br />12.4.2　加载预训练模型289<br />12.4.3　修改分类器289<br />12.4.4　选择损失函数及优化器289<br />12.4.5　训练及验证模型290<br />12.5　清除图像中的雾霾290<br />12.6　小结293<br /> 3章　神经网络机器翻译实例294<br />13.1　使用PyTorch实现带注意力的<br />　　　解码器294<br />13.1.1　构建编码器294<br />13.1.2　构建解码器295<br />13.1.3　构建带注意力的解码器295<br />13.2　使用注意力机制实现中英文互译297<br />13.2.1　导入需要的模块297<br />13.2.2　数据预处理298<br />13.2.3　构建模型300<br />13.2.4　训练模型302<br />13.2.5　测试模型303<br />13.2.6　可视化注意力304<br />13.3　小结305<br /> 4章　使用ViT进行图像分类306<br />14.1　项目概述306<br />14.2　数据预处理306<br />14.3　生成输入数据308<br />14.4　构建编码器模型310<br />14.5　训练模型313<br />14.6　小结314<br /> 5章　语义分割实例315<br />15.1　数据概览315<br />15.2　数据预处理316<br />15.3　构建模型319<br />15.4　训练模型322<br />15.5　测试模型325<br />15.6　保存与恢复模型326<br />15.7　小结326<br /> 6章　生成模型实例327<br />16.1　Deep Dream模型327<br />16.1.1　Deep Dream原理327<br />16.1.2　Deep Dream算法的流程328<br />16.1.3　使用PyTorch实现<br />　　　　Deep Dream329<br />16.2　风格迁移331<br />16.2.1　内容损失332<br />16.2.2　风格损失333<br />16.2.3　使用PyTorch实现神经<br />　　　　网络风格迁移335<br />16.3　使用PyTorch实现图像修复339<br />16.3.1　网络结构339<br />16.3.2　损失函数340<br />16.3.3　图像修复实例340<br />16.4　使用PyTorch实现DiscoGAN342<br />16.4.1　DiscoGAN架构343<br />16.4.2　损失函数344<br />16.4.3　DiscoGAN实现345<br />16.4.4　使用PyTorch实现<br />　　　　DiscoGAN实例346<br />16.5　小结348<br /> 7章　AI新方向：对抗攻击349<br />17.1　对抗攻击简介349<br />17.1.1　白盒攻击与黑盒攻击350<br />17.1.2　无目标攻击与有目标攻击350<br />17.2　常见对抗样本生成方式350<br />17.2.1　快速梯度符号算法351<br />17.2.2　快速梯度算法351<br />17.3　使用PyTorch实现对抗攻击351<br />17.3.1　实现无目标攻击351<br />17.3.2　实现有目标攻击354<br />17.4　对抗攻击和防御方法355<br />17.4.1　对抗攻击355<br />17.4.2　常见防御方法分类355<br />17.5　小结356<br /> 8章　强化学习357<br />18.1　强化学习简介357<br />18.2　Q-Learning算法原理359<br />18.2.1　Q-Learning算法的主要流程359<br />18.2.2　Q函数360<br />18.2.3　贪婪策略360<br />18.3　使用PyTorch实现Q-Learning算法361<br />18.3.1　定义Q-Learning主函数361<br />18.3.2　运行Q-Learning算法362<br />18.4　SARSA 算法362<br />18.4.1　SARSA算法的主要步骤362<br />18.4.2　使用PyTorch实现SARSA<br />　　　　算法363<br />18.5　小结364<br /> 9章　深度强化学习365<br />19.1　DQN算法原理365<br />19.1.1　Q-Learning方法的局限性366<br />19.1.2　用深度学习处理强化学习<br />　　　　需要解决的问题366<br />19.1.3　用DQN算法解决问题366<br />19.1.4　定义损失函数366<br />19.1.5　DQN的经验回放机制367<br />19.1.6　目标网络367<br />19.1.7　网络模型367<br />19.1.8　DQN算法实现流程367<br />19.2　使用PyTorch实现 DQN算法368<br />19.3　小结371<br />附录A　PyTorch 0.4版本变 372<br />附录B　AI在各行业的 应用377<br />附录C　einops及einsum简介383