Python深度学习：基于PyTorch - (EPUB全文下载)

文件大小：0.56 mb。
文件格式：epub 格式。
书籍内容：

Python深度学习：基于PyTorch
第1章 Numpy基础
1.1 生成Numpy数组
1.1.1 从已有数据中创建数组
1.1.2 利用random模块生成数组
1.1.3 创建特定形状的多维数组
1.1.4 利用arange、linspace函数生成数组
1.2 获取元素
1.3 Numpy的算术运算
1.3.1 对应元素相乘
1.3.2 点积运算
1.4 数组变形
1.4.1 更改数组的形状
1.4.2 合并数组
1.5 批量处理
1.6 通用函数
1.7 广播机制
1.8 小结
第2章 PyTorch基础
2.1 为何选择PyTorch？
2.2 安装配置
2.2.1 安装CPU版PyTorch
2.2.2 安装GPU版PyTorch
2.3 Jupyter Notebook环境配置
2.4 Numpy与Tensor
2.4.1 Tensor概述
2.4.2 创建Tensor
2.4.3 修改Tensor形状
2.4.4 索引操作
2.4.5 广播机制
2.4.6 逐元素操作
2.4.7 归并操作
2.4.8 比较操作
2.4.9 矩阵操作
2.4.10 PyTorch与Numpy比较
2.5 Tensor与Autograd
2.5.1 自动求导要点
2.5.2 计算图
2.5.3 标量反向传播
2.5.4 非标量反向传播
2.6 使用Numpy实现机器学习
2.7 使用Tensor及Antograd实现机器学习
2.8 使用TensorFlow架构
2.9 小结
第3章 PyTorch神经网络工具箱
3.1 神经网络核心组件
3.2 实现神经网络实例
3.2.1 背景说明
3.2.2 准备数据
3.2.3 可视化源数据
3.2.4 构建模型
3.2.5 训练模型
3.3 如何构建神经网络？
3.3.1 构建网络层
3.3.2 前向传播
3.3.3 反向传播
3.3.4 训练模型
3.4 神经网络工具箱nn
3.4.1 nn.Module
3.4.2 nn.functional
3.5 优化器
3.6 动态修改学习率参数
3.7 优化器比较
3.8 小结
第4章 PyTorch数据处理工具箱
4.1 数据处理工具箱概述
4.2 utils.data简介
4.3 torchvision简介
4.3.1 transforms
4.3.2 ImageFolder
4.4 可视化工具
4.4.1 tensorboardX简介
4.4.2 用tensorboardX可视化神经网络
4.4.3 用tensorboardX可视化损失值
4.4.4 用tensorboardX可视化特征图
4.5 本章小结
第二部分 深度学习基础
第5章 机器学习基础
5.1 机器学习的基本任务
5.1.1 监督学习
5.1.2 无监督学习
5.1.3 半监督学习
5.1.4 强化学习
5.2 机器学习一般流程
5.2.1 明确目标
5.2.2 收集数据
5.2.3 数据探索与预处理
5.2.4 选择模型及损失函数
5.2.5 评估及优化模型
5.3 过拟合与欠拟合
5.3.1 权重正则化
5.3.2 Dropout正则化
5.3.3 批量正则化
5.3.4 权重初始化
5.4 选择合适激活函数
5.5 选择合适的损失函数
5.6 选择合适优化器
5.6.1 传统梯度优化的不足
5.6.2 动量算法
5.6.3 AdaGrad算法
5.6.4 RMSProp算法
5.6.5 Adam算法
5.7 GPU加速
5.7.1 单GPU加速
5.7.2 多GPU加速
5.7.3 使用GPU注意事项
5.8 本章小结
第6章 视觉处理基础
6.1 卷积神经网络简介
6.2 卷积层
6.2.1 卷积核
6.2.2 步幅
6.2.3 填充
6.2.4 多通道上的卷积
6.2.5 激活函数
6.2.6 卷积函数
6.2.7 转置卷积
6.3 池化层
6.3.1 局部池化
6.3.2 全局池化
6.4 现代经典网络
6.4.1 LeNet-5模型
6.4.2 AlexNet模型
6.4.3 VGG模型
6.4.4 GoogleNet模型
6.4.5 ResNet模型
6.4.6 胶囊网络简介
6.5 PyTorch实现CIFAR-10多分类
6.5.1 数据集说明
6.5.2 加载数据
6.5.3 构建网络
6.5.4 训练模型
6.5.5 测试模型
6.5.6 采用全局平均池化
6.5.7 像Keras一样显示各层参数
6.6 模型集成提升性能
6.6.1 使用模型
6.6.2 集成方法
6.6.3 集成效果
6.7 使用现代经典模型提升性能
6.8 本章小结
第7章 自然语言处理基础
7.1 循环神经网络基本结构
7.2 前向传播与随时间反向传播
7.3 循环神经网络变种
7.3.1 LSTM
7.3.2 GRU
7.3.3 Bi-RNN
7.4 循环神经网络的PyTorch实现
7.4.1 RNN实现
7.4.2 LSTM实现
7.4.3 GRU实现
7.5 文本数据处理
7.6 词嵌入
7.6.1 Word2Vec原理
7.6.2 CBOW模型
7.6.3 Skip-Gram模型
7.7 PyTorch实现词性判别
7.7.1 词性判别主要步骤
7.7.2 数据预处理
7.7.3 构建网络
7.7.4 训练网络
7.7.5 测试模型
7.8 用LSTM预测股票行情
7.8.1 导入数据
7.8.2 数据概览
7.8.3 预处理数据
7.8.4 定义模型
7.8.5 训练模型
7.8.6 测试模型
7.9 循环神经网络应用场景
7.10 小结
第8章 生成式深度学习
8.1 用变分自编码器生成图像
8.1.1 自编码器
8.1.2 变分自编码器
8.1.3 用变分自编码器生成图像
8.2 GAN简介
8.2.1 GAN架构
8.2.2 GAN的损失函数
8.3 用GAN生成图像
8.3.1 判别器
8.3.2 生成器
8.3.3 训练模型 ............

以上为书籍内容预览，如需阅读全文内容请下载EPUB源文件，祝您阅读愉快。