深度学习入门之PyTorch(廖星宇)

书:pan.baidu.com/s/1BfkJHHKsp9ehsUcr55ZzXA?pwd=0ffp

PyTorch简介：

PyTorch是一个由Facebook开发的深度学习框架，以其灵活性和易用性在学术界和工业界都得到了广泛应用。

深度学习基础：

本书从机器学习和深度学习的基础理论入手，帮助读者从零开始学习PyTorch，并了解如何用PyTorch框架搭建模型。

PyTorch基础操作：

介绍了PyTorch中的Tensor（张量）、Variable（变量）、Dataset（数据集）、nn.Module（模组）以及torch.optim（优化）等基础概念和操作。

多层全连接神经网络：

讲解了多层全连接神经网络的基本原理，包括神经元、激活函数、神经网络的结构以及模型的表示能力与容量等，并通过代码实现了简单的多层全连接前向网络。

反向传播算法：

深入剖析了深度学习的基石——反向传播算法，包括链式法则、反向传播算法的具体实现以及Sigmoid函数举例等。

优化算法：

介绍了各种优化算法的变式，如梯度下降法及其变式，这些算法在深度学习中用于更新神经网络的参数以最小化损失函数。

卷积神经网络（CNN）：

详细讲解了卷积神经网络的原理和结构，包括卷积层、池化层、全连接层等，并通过PyTorch实现了卷积神经网络，用于图像识别等任务。

循环神经网络（RNN）：

介绍了循环神经网络的基本原理和实现方法，RNN特别适用于处理序列数据，如自然语言处理等任务。

生成对抗网络（GAN）：

阐述了GAN的基本原理和构成，GAN由生成器和判别器两个神经网络组成，通过交替运行和相互博弈，最终得到一个具有“伪造”真实样本能力的生成器。

PyTorch实战：

本书通过多个实战案例，如MNIST手写数字分类、图像识别等，展示了PyTorch在实际项目中的应用。

数据预处理与模型评估：

介绍了数据预处理的重要性以及常用的预处理方法，如数据标准化、归一化等。同时，还讲解了模型评估的方法和指标，如准确率、召回率、F1分数等。

深度学习前沿研究：

本书最后还介绍了深度学习的一些前沿研究成果和趋势，如Transformer模型、自然语言处理中的BERT等，为读者提供了更深入的学习方向。