PyTorch与深度学习实战

作品简介

本书以PyTorch深度学习的常用技术与真实案例相结合的方式，深入浅出地介绍使用PyTorch实现深度学习应用的重要内容。本书共7章，内容包括深度学习概述、PyTorch深度学习通用流程、PyTorch深度学习基础、手写汉字识别、文本生成、基于CycleGAN的图像风格转换、基于TipDM大数据挖掘建模平台实现文本生成等。本书大部分章包含实训和课后习题，希望通过练习和操作实践，帮助读者巩固所学的内容。

本书可以作为高等学校数据科学与大数据技术或人工智能相关专业的教材，也可作为深度学习爱好者的自学用书。

胡小春，广西财经学院，副教授，主要研究大数据分析与智能计算方向；近五年主持与参与国家级、省部级科研课题5项、市厅级项目3项，在《小型微型计算机系统》、《农业机械学报》等期刊发表学术论文30余篇，主持、参与省部级教改项目5项，主讲《计算机网络》、《数据库原理》等课程，主编与参编北京理工大学出版社的《计算机基础实践教程》和《Python程序设计》，指导学生获互联网+、程序设计大赛等国家级、省部级专业竞赛赛一、二、三等奖多项奖项。

作品目录

• 内容提要
• 大数据技术精品系列教材专家委员会
• 序
• 前言
• 第1章 深度学习概述
• 1.1 深度学习简介
• 1.1.1 深度学习的定义
• 1.1.2 深度学习的常见应用
• 1.2 深度学习与应用领域
• 1.2.1 深度学习与计算机视觉
• 1.2.2 深度学习与自然语言处理
• 1.2.3 深度学习与语音识别
• 1.2.4 深度学习与机器学习
• 1.2.5 深度学习与人工智能
• 1.3 PyTorch简介
• 1.3.1 各深度学习框架对比
• 1.3.2 PyTorch生态
• 1.3.3 PyTorch特点
• 1.3.4 PyTorch安装
• 1.4 PyTorch中的预训练模型
• 1.4.1 预训练模型的概念
• 1.4.2 预训练模型的使用场景
• 1.4.3 PyTorch预训练模型的调用方法
• 小结
• 课后习题
• 第2章 PyTorch深度学习通用流程
• 2.1 数据加载与预处理
• 2.1.1 数据加载
• 2.1.2 数据预处理
• 2.1.3 加载及预处理猫狗分类数据
• 2.2 构建网络
• 2.2.1 常用的网络构建方法
• 2.2.2 激活函数
• 2.2.3 构建基于卷积神经网络的猫狗分类网络
• 2.3 编译网络
• 2.3.1 损失函数
• 2.3.2 优化器
• 2.3.3 编译基于卷积神经网络的猫狗分类网络
• 2.4 训练网络
• 2.4.1 迭代次数
• 2.4.2 批训练
• 2.4.3 训练基于卷积神经网络的猫狗分类网络
• 2.5 性能评估
• 2.5.1 评估指标
• 2.5.2 评估基于卷积神经网络的猫狗分类模型的性能
• 小结
• 实训 CIFAR-10图像分类
• 课后习题
• 第3章 PyTorch深度学习基础
• 3.1 卷积神经网络基础
• 3.1.1 常用的卷积神经网络算法及其结构
• 3.1.2 卷积神经网络中的常用网络层
• 3.1.3 基于卷积神经网络的手写数字识别
• 3.2 循环神经网络基础
• 3.2.1 常用的循环神经网络算法及其结构
• 3.2.2 循环神经网络中的常用网络层
• 3.2.3 基于LSTM网络的时间序列分析
• 3.3 生成对抗网络基础
• 3.3.1 常用的生成对抗网络算法及其结构
• 3.3.2 基于生成对抗网络的手写数字图像生成
• 小结
• 实训1 基于卷积神经网络的人脸表情识别
• 实训2 基于循环神经网络的文本情感分类
• 实训3 基于生成对抗网络的人物图片生成
• 课后习题
• 第4章 手写汉字识别
• 4.1 目标分析
• 4.1.1 背景
• 4.1.2 分析目标
• 4.1.3 项目工程结构
• 4.2 加载数据
• 4.2.1 定义生成图像集路径文档的函数
• 4.2.2 定义读取并转换图像数据格式的类
• 4.2.3 加载图像数据
• 4.3 构建网络
• 4.4 编译网络
• 4.5 训练网络
• 4.6 性能评估
• 4.7 模型预测
• 小结
• 实训 手写中文数字识别
• 课后习题
• 第5章 文本生成
• 5.1 目标分析
• 5.1.1 背景
• 5.1.2 分析目标
• 5.1.3 项目工程结构
• 5.2 文本预处理
• 5.2.1 处理数据
• 5.2.2 创建字典
• 5.2.3 生成序列
• 5.3 构建网络
• 5.3.1 定义文本生成类的构造方法
• 5.3.2 初始化权重
• 5.3.3 设置数据在网络中的流动方向
• 5.4 训练网络
• 5.4.1 设置配置项
• 5.4.2 执行训练
• 5.4.3 定义文本生成器
• 5.5 结果分析
• 小结
• 实训 基于LSTM网络的文本生成
• 课后习题
• 第6章 基于CycleGAN的图像风格转换
• 6.1 目标分析
• 6.1.1 背景
• 6.1.2 分析目标
• 6.1.3 项目工程结构
• 6.2 数据准备
• 6.3 构建网络
• 6.3.1 残差网络
• 6.3.2 生成器
• 6.3.3 判别器
• 6.3.4 缓存队列
• 6.4 训练网络
• 6.5 结果分析
• 小结
• 实训 基于CycleGAN实现冬天与夏天的图像风格转换
• 课后习题
• 第7章 基于TipDM大数据挖掘建模平台实现文本生成
• 7.1 平台简介
• 7.1.1 共享库
• 7.1.2 数据连接
• 7.1.3 数据集
• 7.1.4 我的工程
• 7.1.5 个人组件
• 7.2 实现文本生成
• 7.2.1 配置数据源
• 7.2.2 文本预处理
• 7.2.3 构建网络
• 7.2.4 训练网络
• 7.2.5 结果分析
• 小结
• 实训 通过TipDM平台实现基于LSTM网络的文本生成
• 课后习题