PyTorch深度学习 - (EPUB全文下载)

文件大小：0.22 mb。
文件格式：epub 格式。
书籍内容：

PyTorch深度学习
第1章 PyTorch与深度学习
第2章 神经网络的构成
第3章 深入了解神经网络
第4章 机器学习基础
第5章 深度学习之计算机视觉
第6章 序列数据和文本的深度学习
第7章 生成网络
第8章 现代网络架构
第9章 未来走向
第1章　PyTorch与深度学习
深度学习改变了很多产业，吴恩达（Andrew Ng）曾在他的推特上这样描述：
Artificial Intelligence is the new electricity！（人工智能犹如新型电力!）
电能的应用曾为无数行业带来了巨变，如今人工智能也将带来同样的震撼。
人工智能和深度学习虽然经常被当成同义词使用，但实际上这两个术语有本质的区别。我们会从专业的角度解释这两个术语，作为业内人士的你就可以像区分信号和噪声一样区分它们。
本章将讲解人工智能的以下内容：
人工智能及其源起；
现实世界中的机器学习；
深度学习的应用；
为何要研究深度学习；
深度学习框架PyTorch。
1.1　人工智能
现今每天都有很多人工智能的文章发表，并且在最近两年愈演愈烈。网络上关于人工智能的定义有几种说法，我最喜欢的一个是，通常由人完成的智能任务的自动化。
1.1.1　人工智能发展史
1956年，约翰·麦肯锡（John McCarthy）主持召开了第一次人工智能的学术会议，并创造了人工智能这个术语。然而早在此之前，关于机器是否会思考的讨论就已经开始。人工智能发展初期，机器已经可以解决对于人类比较困难的问题。
例如，德国制造了在第二次世界大战后期用于军事通信的恩尼格玛密码机（Enigma machine）。阿兰·图灵（Alan Turing）则构建了一个用于破解恩尼格玛密码机的人工智能系统。人类破译恩尼格玛密码是一个非常有挑战性的任务，并往往会花费分析员数周的时间。而人工智能机器几个小时就可以完成破译。
计算机解决一些对人类很直接的问题，却一度非常艰难。如区分猫和狗，朋友对你参加聚会迟到是否生气（情绪），区分汽车和卡车，为研讨会写纪要（语音识别），或为你的外国朋友将笔记转换成对方的语言（例如，从法语转成英语）。这些任务中的大多数对于我们都很直接，但过去我们却无法通过给计算机硬编码一个程序来解决这类问题。早期计算机人工智能的实现都是硬编码的，如可以下棋的计算机程序。
人工智能发展初期，许多研究人员相信，人工智能可以通过对规则硬编码来实现。这类人工智能称为符号人工智能（symbolic AI），它适于解决明确的逻辑性问题，然而对于那些复杂的问题，如图像识别、对象检测、语言翻译和自然语言的理解等任务，它却几乎无能为力。人工智能的新方法，如机器学习和深度学习，正是用于解决这类问题的。
为更好理解人工智能、机器学习和深度学习的关系，我们画几个同心的圆圈，人工智能位于最外层，人工智能最早出现，范畴最大，然后向内是机器学习，最后是驱动今天人工智能迅速发展的深度学习，它位于另两个圆圈内部，如图1.1所示。
图1.1　人工智能、机器学习和深度学习的关系
1.2　机器学习
机器学习是人工智能的一个子领域，它在过去10年变得非常流行，这两个词有时会交换使用。除机器学习外，人工智能还包括很多其他的子领域。与通过对规则进行硬编码的符号人工智能不同，机器学习系统通过展示大量实例来构造。从更高层面上说，机器学习系统通过检视大量数据得出可以预测未见数据结果的规则，如图1.2所示。
图1.2　机器学习对比传统编程
大多数机器学习算法在结构化数据上运行良好，如销售预测、推荐系统和个性化营销等。所有机器学习算法中都涉及的一个重要方面是特征工程，数据科学家花费大量时间来获取机器学习算法运行的正确特征。在某些领域，如计算机视觉（Computer Vision）和自然语言处理（Natural Language Processing，NLP），因为具有较高维度，特征工程非常具有挑战性。
直到现在，由于诸如特征工程和高维度方面的原因，对于使用经典机器学习技术（如线性回归、随机森林等）来解决这类问题的机构都非常具有挑战性。考虑一张大小为224×224×3（高×宽×通道）的图片，其中3表示彩色图片中红、绿、蓝色彩通道的个数。为了在计算机内存中存储这张图片，对应的矩阵要包含150,528个维度。假设要基于1000张224×224×3大小的图片构建分类器，维度就会变成1000个150,528大小。机器学习中一个被称为深度学习的特别分支，让我们得以借助现代技术和硬件解决这些问题。
1.2.1　机器学习实例
下面是使用机器学习技术实现的出色应用。
例1：Google Photos使用了机器学习中的一类深度学习照片分组（deep learning for grouping photos）技术。
例2：推荐系统，这是一类可用于推荐电影、音乐和产品的机器学习算法，很多大公司，如Netflix、Amazon和iTunes都在使用。
1.3　深度学习
传统机器学习算法使用手写的特征提取代码来训练算法，而深度学习算法使用现代技术自动提取这些特征。
例如，一个用于预测图像是否包含人脸的深度学习算法将在第一层检查边缘，第二层检测鼻子和眼睛等形状，最后一层检测面部形状或者更复杂的结构（见图1.3）。每一层都基于前一层的数据表示进行训练。如果大家觉得上面的解释理解起来有些困难，请不要担心，本书的后续章节会更直观地构造和详细解释这样的网络。
图1.3　中间层的可视化输出
得益于GPU、大数据、云提供商如 Amazon Web Services（AWS）和Google Cloud，以及Torch、TensorFlow、Caffe和PyTorch这些框架的出现，深度学习的应用在过去几年出现了巨大的增长。除此之外，一些大型公司还分享了已在庞大的数据集上训练好的算法，因而使得后来者可以经过很少的改动就能够以几种用例为基础构建最先进的系统。
1.3.1　深度学习的应用
深度学习一些流行的应用如下：
接近人类水平的图像分类；
接近人类水平的语音 ............

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。