[
-
内容大纲
本书以PyTorch作为深度学习框架，主要包括4部分。第1部分（第1、2章），主要概述PyTorch基础知识与常见深度学习算法实现，例如，CNN、LSTM，即CNN-LSTM；第2部分（第3～5章）高级神经网络实现，主要包括常见的深度学习网络结构，例如CNN、RNN及最新的Transformer等模型；第3部分（第6～9章）生成式AI和深度强化学习，主要包括GAN、GPT和DQN等算法；第4部分（第10～14章）生产中PyTorch落地的几个关键性主题，分布式训练、自动机器学习管道构建和硬件快速部署。
本书内容翔实，以案例作为场景，通过PyTorch深度学习框架对AI算法进行了实现，适合对人工智能感兴趣的高校教师、企业工程师及对AI算法感兴趣的技术人员和研究人员阅读。 -
作者介绍
-
目录
第1部分 PyTorch概述
第1章 使用PyTorch概述深度学习
1.1 技术要求
1.2 回顾深度学习
1.2.1 激活函数
1.2.2 优化模式
1.3 探索PyTorch库
1.3.1 PyTorch模块
1.3.2 Tensor模块
1.4 使用PyTorch训练神经网络
1.5 总结
第2章 结合CNN和LSTM
2.1 技术要求
2.2 使用CNN和LSTM构建神经网络
2.3 使用PyTorch构建图像文字描述生成器
2.3.1 下载图像文字描述数据集
2.3.2 预处理文字描述（文本）数据
2.3.3 预处理图像数据
2.3.4 定义图像文字描述数据加载器
2.3.5 定义CNN-LSTM模型
2.3.6 训练CNN-LSTM模型
2.3.7 使用已经训练的模型生成图像文字描述
2.4 总结
第2部分 使用高级神经网络架构
第3章 深度CNN架构
3.1 技术要求
3.2 为什么CNN如此强大？
3.3 CNN架构的演变
3.4 从零开始开发LeNet
3.4.1 使用PyTorch构建LeNet
3.4.2 训练LeNet
3.4.3 测试LeNet
3.5 微调AlexNet模型
3.6 运行预训练的VGG模型
3.7 探索GoogLeNet和Inceptionv3
3.7.1 Inception模块
3.7.21 ×1卷积
3.7.3 全局平均池化
3.7.4 辅助分类器
3.7.5 Inceptionv3
3.8 讨论ResNet和DenseNet架构
3.9 了解EfficientNets和CNN架构的未来
3.10 总结
第4章 深度循环模型架构
4.1 技术要求
4.2 探索循环网络的演变
4.2.1 循环神经网络的类型
4.2.2 RNN
4.2.3 双向RNN
4.2.4 LSTM
4.2.5 扩展和双向LSTM
4.2.6 多维RNN
4.2.7 堆叠LSTM
4.2.8 GRU
4.2.9 GridLSTM
4.2.10 门控正交循环单元
4.3 训练RNN进行情感分析
4.3.1 加载和预处理文本数据集
4.3.2 实例化和训练模型
4.4 构建双向LSTM
4.4.1 加载和预处理文本数据集
4.4.2 实例化和训练LSTM模型
4.5 讨论GRU和基于注意力的模型
4.5.1 GRU和PyTorch
4.5.2 基于注意力的模型
4.6 总结
第5章 混合高级模型
5.1 技术要求
5.2 构建用于语言建模的Transformer模型
5.2.1 回顾语言建模
5.2.2 理解Transforms模型架构
5.3 从头开始开发RandWireNN模型
5.3.1 理解RandWireNN
5.3.2 使用PyTorch开发RandWireNN
5.4 总结
第3部分 生成模型和深度强化学习
第6章 使用PyTorch生成音乐和文本
6.1 技术要求
6.2 使用PyTorch构建基于Transformer的文本生成器
6.2.1 训练基于Transformer的语言模型
6.2.2 保存和加载语言模型
6.2.3 使用语言模型生成文本
6.3 使用预训练的GPT-2模型作为文本生成器
6.3.1 使用GPT-2生成便捷的文本
6.3.2 使用PyTorch的文本生成策略
6.4 使用PyTorch与LSTM生成MIDI音乐
6.4.1 加载MIDI音乐数据
6.4.2 定义LSTM模型和训练例程
6.4.3 训练和测试音乐生成模型
6.5 总结
第7章 神经风格转移
7.1 技术要求
7.2 理解如何在图像之间传递风格
7.3 使用PyTorch实现神经风格迁移
7.3.1 加载内容图像和风格图像
7.3.2 构建神经风格迁移模型
7.3.3 训练风格迁移模型
7.3.4 尝试风格迁移系统
7.4 总结
第8章 深度卷积GAN
8.1 技术要求
8.2 定义生成器和判别器网络
8.3 使用PyTorch训练DCGAN
8.3.1 定义生成器
8.3.2 定义判别器
8.3.3 加载图像数据集
8.3.4 DCGAN的训练循环
8.4 使用GAN进行风格迁移
8.5 总结
第9章 深度强化学习
9.1 技术要求
9.2 回顾强化学习概念
9.2.1 强化学习算法类型
9.3 讨论Q-学习
9.4 理解深度Q-学习
9.4.1 使用两个独立的DNN
9.4.2 经验回放缓冲器
9.5 在PyTorch中构建DQN模型
9.5.1 初始化主和目标CNN模型
9.5.2 定义经验回放缓冲区
9.5.3 设置环境
9.5.4 定义CNN优化函数
9.5.5 管理和运行迭代
9.5.6 训练DQN模型以学习Pong
9.6 总结
第4部分 生产系统中的PyTorch
第10章 将PyTorch模型投入生产中
10.1 技术要求
10.2 PyTorch中的模型服务
10.2.1 创建PyTorch模型推理流水线
10.2.2 构建基本模型服务器
10.2.3 创建模型微服务
10.3 使用TorchServe为PyTorch模型提供服务
10.3.1 安装TorchServe
10.3.2 启动和使用TorchServe服务器
10.4 使用TorchScript和ONNX导出通用PyTorch模型
10.4.1 了解TorchScript的功能
10.4.2 使用TorchScript进行模型跟踪
10.4.3 使用TorchScript编写模型脚本
10.4.4 在C++中运行PyTorch模型
10.4.5 使用ONNX导出PyTorch模型
10.5 在云端提供PyTorch模型
10.5.1 将PyTorch与AWS结合使用
10.5.2 在GoogleCloud上提供PyTorch模型
10.5.3 使用Azure为PyTorch模型提供服务
10.6 总结
参考资料
第11章 分布式训练
11.1 技术要求
11.2 使用PyTorch进行分布式训练
11.2.1 以常规方式训练MNIST模型
11.2.2 以分布式方式训练MNIST模型
11.3 使用CUDA在GPU上进行分布式训练
11.4 总结
第12章 PyTorch和AutoML
12.1 技术要求
12.2 使用AutoML寻找最佳神经架构
12.3 使用Optuna进行超参数搜索
12.4 定义模型架构和加载数据集
12.4.1 定义模型训练例程和优化计划
12.4.2 运行Optuna的超参数搜索
12.5 总结
第13章 PyTorch和AI可解释
13.1 技术要求
13.2 PyTorch中的模型可解释性
13.2.1 训练手写数字分类器—回顾
13.2.2 可视化模型的卷积过滤器
13.2.3 可视化模型的特征图
13.3 使用Captum解释模型
13.3.1 设置Captum
13.3.2 探索Captum的可解释性工具
13.4 总结
第14章 使用PyTorch进行快速原型设计
14.1 技术要求
14.2 使用fast.ai快速设置模型训练
14.2.1 设置fast.ai并加载数据
14.2.2 使用fast.ai训练MNIST模型
14.2.3 使用fast.ai评估和解释模型
14.3 在任何硬件上使用PyTorchLightning训练模型
14.3.1 在PyTorchLightning中定义模型组件
14.3.2 使用PyTorchLightning训练并评估模型
14.4 总结
同类热销排行榜
- C语言与程序设计教程(高等学校计算机类十二五规划教材)16
- 电机与拖动基础(教育部高等学校自动化专业教学指导分委员会规划工程应用型自动化专业系列教材)13.48
- 传感器与检测技术(第2版高职高专电子信息类系列教材)13.6
- ASP.NET项目开发实战(高职高专计算机项目任务驱动模式教材)15.2
- Access数据库实用教程(第2版十二五职业教育国家规划教材)14.72
- 信号与系统(第3版下普通高等教育九五国家级重点教材)15.08
- 电气控制与PLC(普通高等教育十二五电气信息类规划教材)17.2
- 数字电子技术基础(第2版)17.36
- VB程序设计及应用(第3版十二五职业教育国家规划教材)14.32
- Java Web从入门到精通(附光盘)/软件开发视频大讲堂27.92
推荐书目
-
孩子你慢慢来/人生三书 华人世界率性犀利的一枝笔，龙应台独家授权《孩子你慢慢来》20周年经典新版。她的《...
-
时间简史(插图版) 相对论、黑洞、弯曲空间……这些词给我们的感觉是艰深、晦涩、难以理解而且与我们的...
-
本质(精) 改革开放40年，恰如一部四部曲的年代大戏。技术突变、产品迭代、产业升级、资本对接...