深度学习框架PyTorch快速开发与实战 - (EPUB全文下载)

文件大小：0.19 mb。
文件格式：epub 格式。
书籍内容：

深度学习框架PyTorch快速开发与实战
第一部分 理论部分
第二部分 实战部分
第一部分 理论部分
第1章 深度学习简介
第2章 PyTorch环境安装
第3章 PyTorch基础知识
第4章 简单案例入门
第5章 前馈神经网络
第6章 PyTorch可视化工具
第1章 深度学习简介
在北京时间2016年3月15日的下午，谷歌 DeepMind团队开发的围棋深度学习系统AlphaGo以总比分4∶1战胜了韩国棋手李世石，成为第一个在19×19棋盘上战胜人类围棋冠军的智能系统。2017年10月19日， DeepMind 团队重磅发布 AlphaGo Zero。相比上一代 AlphaGo，该版本的AlphaGo实现了在AI发展中非常有意义的一步——“无师自通”。在AlphaGo的核心组成部分中，估值网络（Value Network）和走棋网络（Policy Network）都使用了深度学习的技术。AlphaGo 战胜李世石的新闻成功地把深度学习的概念从学术界推向了大众，并点燃了大众对于人工智能的巨大热情。AlphaGo Zero的伟大之处是第一次让机器可以不通过任何棋谱，不通过任何人类的经验，在只告诉规则的前提下，成为一个围棋高手，这种无师自通的学习模式在AI整个发展历史上是非常有意义的。
1.1 深度学习
深度学习的概念由 Hinton 等人于2006年提出。深度学习的概念源于人工神经网络的研究。含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层次表示属性类别或特征，以发现数据的分布式特征表示。
深度学习在完成一些难度极高的任务中展现了惊人的功力，如从图片中识别物体、语言理解，棋盘类游戏等。我们举一个例子来具体说明什么是深度学习。
我们都知道机器学习的目的是在没有特定编程的情况下，希望系统去回答某个问题。比如：明天北京会下雨吗？这类问题可以翻译成以下形式：对于给定的输入X，正确的输出Y是什么？输入的是北京天气的信息，输出则为会下雨或者不会下雨。
传统的机器学习需要我们首先定义一系列程序寻找的特征。比如，图 1.1 里的猫有两个眼睛一个鼻子，四条腿，以及它毛茸茸的毛。我们给程序提供大量的例子，但是对于每个例子，都不会向程序展示全局图片，而是展示预先设定的某特征的变量，然后告诉程序哪个才是猫。经过训练之后，程序就能明白如果它没有毛茸茸的毛，它可能不是猫。而深度学习却可以很好地解决这个问题。
图1.1 使用深度学习识别图片中的猫
深度学习模型中的卷积神经网络模型可以用来解决这个问题，通过卷积神经网络我们来讲讲深度学习模型是如何识别图片里的猫的。图1.2是简单的单层神经网络模型。
第一步，我们准备好要识别的图片，假设这张图片的尺寸为28×28像素，然后把图片中的像素传输给卷积神经网络模型。第一层神经网络将扫描图片，以5×5的色块为单位，去寻找一些基本的特征，并提取特征，形成特征地图。
图1.2 单层神经网络模型
第二层将把第一层产生的特征地图，继续按照第一次的方式扫描，这样一层又一层，直到有一层获取了足够的信息可以判断这是一只猫。我们可以看到卷积神经网络很神奇地筛选出猫的特征来，而采用卷积神经网络我们只需要设定模型结构，让程序从训练数据中自己归纳学习，模型会自动采集重要的模型特征，从而判断出是猫或者不是猫。
我们从深度学习的深度和学习两方面进行讲解。
深度学习的前身是人工神经网络。我们说的神经网络一般就是指人工神经网络。最简单的神经网络由输入层、隐藏层和输出层组成。输入训练数据为输入层，输出计算结果为输出层，隐藏层使输入数据传播到输出层，从而把神经网络形成网络结构。传统神经网络的每一层有大量的节点组成，也叫神经元。每层内的节点相互独立、互不干扰。层与层之间的节点相互连接，深度学习就是增加多层网络结构，利用现有的数据，来对未知的数据做预测分类。
深度学习的模型是如何学习的呢？我们也许都有过这样的经历，做过一道数学题并且知道如何求解，下次再遇到类似的题目就可以很轻松地解决。我们在学习的过程中举一反三、触类旁通，逐渐地拥有解决问题的能力。但是我们都知道机器没有大脑思维，如何才能让机器自己学习并拥有这样的能力呢？这也是人工智能发展的方向。现在我们会问深度学习是否有这样的能力呢？
我们给设定好的机器模型输入大量的数据，不断地训练，最终得到我们想要的结果。这些过程就像我们平时做大量练习题，不断地思考并且训练如何能正确地解答题目，到最后获得正确的解决问题、得出答案的能力。
我们再从监督学习和无监督学习两方面进行讲解。
机器学习方法有监督学习与无监督学习之分，和机器学习方法一样，深度机器学习方法也有监督学习与无监督学习之分。不同的学习框架下建立的学习模型也不同。
有监督学习：利用一组已知类别的样本调整分类器的参数，使其达到所要求性能的过程，也称为监督训练或有教师学习。对具有概念标记（分类）的训练样本进行学习，以尽可能对训练样本集外的数据进行标记（分类）预测。这里，所有的标记（分类）是已知的。因此，训练样本的歧义性低。
无监督学习：对没有概念标记（分类）的训练样本进行学习，以发现训练样本集中的结构性知识。这里，所有的标记（分类）是未知的。因此，训练样本的歧义性高。聚类就是典型的无监督学习。
半监督学习（Semi-supervised Learning）是模式识别和机器学习领域研究的重点问题，是监督学习与无监督学习相结合的一种学习方法。它主要考虑如何利用少量的标注样本和大量的未标注样本进行训练和分类的问题。半监督学习对于减少标注代价，提高机器学习性能具有非常重大的意义。
虽然 AlphaGo 战胜李世石将人工智能推向了一个新的高度，但是AlphaGo 能够解决的仅仅是在一个特定环境中定义好的问题，要将人工智能系统真正的应用到开放环境，还需要研究人员更多的努力。这也将是AI未来发展的方向。
1.2 神经网络的发展
2017年，人工智能发展火热。机器学习和大数据领域取得突破性的进展，作为人工智能一个重要分支 ............

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。