编辑推荐
深入浅出PyTorch深度学习应用，实例丰富，理论与实践兼备。
内容简介
本书以当前深度学习框架PyTorch为基础，深入浅出地介绍了Pytorch在深度学习中的应用，本书共分为10章，主要内容包括：基于PyTorch的数值建模、图像建模、文本建模、音频建模、模型可视化和联邦学习等，除讲述深度学习的理论知识与应用技术，还安排了丰富的案例，便于读者掌握在实际中的应用。本书案例丰富，原理与实践并重，可供Pytorch初学者、深度学习和机器学习开发人员使用，也可供大专院校的相关专业作为教学用书。
章节目录
封面页
书名页
版权页
内容简介
作者简介
前言
本书内容
本书的特色
配书资源
读者对象
目录
第1章 深度学习环境搭建
1.1 深度学习概述
1.1.1 深度学习发展历史
1.1.2 深度学习框架比较
1.1.3 深度学习应用领域
1.2 搭建开发环境
1.2.1 安装Python 3.10
1.2.2 安装Jupyter Lab
1.2.3 安装PyTorch 1.10
1.3 PyTorch应用场景
1.4 动手练习：每日最高温度预测
1.5 练习题
第2章 PyTorch与数学基础
2.1 PyTorch中的函数
2.1.1 函数基础知识
2.1.2 PyTorch中的主要函数
2.2 微分基础
2.2.1 微分及其公式
2.2.2 PyTorch自动微分
2.3 数理统计基础
2.3.1 数理统计及其指标
2.3.2 PyTorch统计函数
2.4 矩阵基础
2.4.1 矩阵及其运算
2.4.2 PyTorch矩阵运算
2.5 动手练习：拟合余弦函数曲线
2.6 练习题
第3章 PyTorch的基本概念
3.1 张量及其创建
3.1.1 张量及其数据类型
3.1.2 数组直接创建张量
3.1.3 概率分布创建张量
3.2 激活函数
3.2.1 激活函数及必要性
3.2.2 Sigmoid激活函数
3.2.3 Tanh激活函数
3.2.4 ReLU激活函数
3.2.5 Leakly ReLU激活函数
3.2.6 其他类型的激活函数
3.3 损失函数
3.3.1 损失函数及选取
3.3.2 L1范数损失函数
3.3.3 均方误差损失函数
3.3.4 交叉熵损失函数
3.3.5 余弦相似度损失
3.3.6 其他损失函数
3.4 优化器
3.4.1 梯度及梯度下降
3.4.2 随机梯度下降算法
3.4.3 标准动量优化算法
3.4.4 AdaGrad算法
3.4.5 RMSProp算法
3.4.6 Adam算法
3.5 动手练习：PyTorch优化器比较
3.6 练习题
第4章 PyTorch深度神经网络
4.1 神经网络概述
4.1.1 神经元模型
4.1.2 多层感知器
4.1.3 前馈神经网络
4.2 卷积神经网络
4.2.1 卷积神经网络的历史
4.2.2 卷积神经网络的结构
4.2.3 卷积神经网络的类型
4.3 几种常见的循环神经网络
4.3.1 循环神经网络
4.3.2 长短期记忆网络
4.3.3 门控循环单元
4.4 动手练习：股票成交量趋势预测
4.5 练习题
第5章 PyTorch数据建模
5.1 回归分析及案例
5.1.1 回归分析简介
5.1.2 回归分析建模
5.1.3 动手练习：住房价格回归预测
5.2 聚类分析及案例
5.2.1 聚类分析简介
5.2.2 聚类分析建模
5.2.3 动手练习：植物花卉特征聚类
5.3 主成分分析及案例
5.3.1 主成分分析简介
5.3.2 主成分分析建模
5.3.3 动手练习：地区竞争力指标降维
5.4 模型评估与调优
5.4.1 模型评估方法
5.4.2 模型调优方法
5.4.3 动手练习：PyTorch实现交叉验证
5.5 练习题
第6章 PyTorch图像建模
6.1 图像建模概述
6.1.1 图像分类技术
6.1.2 图像识别技术
6.1.3 图像分割技术
6.2 动手练习：创建图像自动分类器
6.2.1 加载数据集
6.2.2 搭建网络模型
6.2.3 训练网络模型
6.2.4 应用网络模型
6.3 动手练习：搭建图像自动识别模型
6.3.1 加载数据集
6.3.2 搭建与训练网络
6.3.3 预测图像数据
6.3.4 图像识别模型的判断
6.4 动手练习：搭建图像自动分割模型
6.4.1 加载数据集
6.4.2 搭建网络模型
6.4.3 训练网络模型
6.4.4 应用网络模型
6.5 练习题
第7章 PyTorch文本建模
7.1 自然语言处理的几个模型
7.1.1 Word2Vec模型
7.1.2 Seq2Seq模型
7.1.3 Attention模型
7.2 动手练习：Word2Vec提取相似文本
7.2.1 加载数据集
7.2.2 搭建网络模型
7.2.3 训练网络模型
7.2.4 应用网络模型
7.3 动手练习：Seq2Seq实现机器翻译
7.3.1 加载数据集
7.3.2 搭建网络模型
7.3.3 训练网络模型
7.3.4 应用网络模型
7.4 动手练习：Attention模型实现文本自动分类
7.4.1 加载数据集
7.4.2 搭建网络模型
7.4.3 训练网络模型
7.4.4 应用网络模型
7.5 练习题
第8章 PyTorch音频建模
8.1 音频处理及应用
8.1.1 音频处理技术
8.1.2 音频摘要及应用
8.1.3 音频识别及应用
8.1.4 音频监控及应用
8.1.5 场景感知及其应用
8.2 音频特征提取步骤
8.2.1 特征提取流程
8.2.2 音频预处理
8.2.3 傅里叶变换
8.2.4 能量谱处理
8.2.5 离散余弦转换
8.3 PyTorch音频建模
8.3.1 加载音频数据源
8.3.2 波形变换的类型
8.3.3 绘制波形频谱图
8.3.4 波形Mu-Law编码
8.3.5 变换前后波形比较
8.4 动手练习：音频相似度分析
8.5 练习题
第9章 PyTorch模型可视化
9.1 Visdom
9.1.1 Visdom简介
9.1.2 Visdom可视化操作
9.1.3 动手练习：识别手写数字
9.2 TensorBoard
9.2.1 TensorBoard简介
9.2.2 TensorBoard基础操作
9.2.3 动手练习：可视化模型参数
9.3 Pytorchviz
9.3.1 Pytorchviz简介
9.3.2 动手练习：Pytorchviz建模可视化
9.4 Netron
9.4.1 Netron简介
9.4.2 动手练习：Netron建模可视化
9.5 练习题
第10章 PyTorch联邦学习
10.1 联邦学习算法简介
10.1.1 联邦学习提出背景
10.1.2 联邦学习基本概念
10.2 联邦学习主要类型
10.2.1 横向联邦学习及其过程
10.2.2 纵向联邦学习及其过程
10.2.3 联邦迁移学习及其过程
10.3 联邦学习研究现状
10.3.1 算法重要研究进展
10.3.2 联邦学习算法优化
10.3.3 主要应用前景介绍
10.4 动手练习：手写数字识别
10.4.1 读取手写数据集
10.4.2 训练与测试模型
10.4.3 模型结果输出
10.5 练习题
附录A Python常用第三方工具包简介
A.1 数据分析类包
A.2 数据可视化类包
A.3 机器学习类包
参考文献
动手学PyTorch深度学习建模与应用是2022年由清华大学出版社出版,作者王国平。
得书感谢您对《动手学PyTorch深度学习建模与应用》关注和支持，如本书内容有不良信息或侵权等情形的，请联系本网站。
