书名：深度学习原理与PyTorch实战第2版  
定*：99.8  
ISBN：9787**5588296  
作者：集智俱乐*  
版次：第2版  
出版时间：2022-04  
内容提要：  
本书是*本系统介绍深度学习技术及开源框架PyTorch的入门书。书中通过大量案例介绍了PyTorch的使用方法、*经网络的搭建、常用*经网络（如卷积*经网络、循环*经网络）的实现，以及实用的深度学习技术，*括迁移学习、对抗生成学习、深度强化学习、图*经网络等。读者通过阅读本书，可以学会构造*个图像识别器，生成逼真的图画，让机器理解单词与文本，让机器作曲，教会机器玩游戏，还可以实现*个简单的机器翻译系统。 第2版基于PyTorch *.6.0，对*书代码进行了*面更新，同时增加了Transformer、BERT、图*经网络等热门深度学习技术的讲解，更具实用性和时效性。  



作者简介：  
集智俱乐*（Swarma Club） 成立于2003年，是*个从事学术研究、享受科学乐趣的探索者团体，也是*内*力于研究人工智能、复杂系统的科学社区之*，倡导以平等开放的态度、科学实证的**，进行跨学科的研究与交流，力图搭建*个中*的“没有围墙的研究所”。目前已出版书籍有《科学的**：漫谈人工智能》《走近2050：注意力、互联网与人工智能》《NetLogo多主体建模入门》，译作有《深度思考：人工智能的*点与人类*造力的起点》。  

目录：  
推荐序  
前言  
作者简介  
第 *章 深度学习简介 *  
*.* 深度学习与人工智能 *  
*.2 深度学习的历史渊源 2  
*.2.* 从感知机到人工*经网络 3  
*.2.2 深度学习时代 4  
*.2.3 巨头之间的角逐 5  
*.3 深度学习的影响因素 6  
*.3.* 大数据 6  
*.3.2 深度网络架构 7  
*.3.3 GPU **  
*.4 深度学习为什么如此成功 **  
*.4.* *征学习 **  
*.4.2 迁移学习 *2  
*.5 小结 *3  
*.6 参考文献 *4  
第 2章 PyTorch简介 *5  
2.* PyTorch安装 *5  
2.2 初识PyTorch *5  
2.2.* 与Python*融合 *6  
2.2.2 张量计算 *6  
2.2.3 动态计算图 20  
2.3 PyTorch实例：预测房* 27  
2.3.* 准备数据 27  
2.3.2 设计模型 28  
2.3.3 训练 29  
2.3.4 预测 3*  
2.3.5 术语汇总 32  
2.4 小结 33  
第3章 单车预测器——你的第 *个*经网络 35  
3.* 共享单车的烦恼 35  
3.2 单车预测器*.0 37  
3.2.* 人工*经网络简介 37  
3.2.2 人工*经元 38  
3.2.3 两个隐含*经元 40  
3.2.4 训练与运行 42  
3.2.5 失败的*经预测器 42  
3.2.6 过拟合 48  
3.3 单车预测器2.0 49  
3.3.* 数据的预处理过程 49  
3.3.2 构建*经网络 52  
3.3.3 测试*经网络 55  
3.4 剖析*经网络Neu 57  
3.5 小结 6*  
3.6 Q&A 6*  
第4章 机器也懂感情——中文情绪分类器 63  
4.* *经网络分类器 64  
4.*.* 如何用*经网络做分类 64  
4.*.2 分类问题的损失函数 66  
4.2 词袋模型分类器 67  
4.2.* 词袋模型简介 68  
4.2.2 搭建简单文本分类器 69  
4.3 程序实现 70  
4.3.* 数据处理 7*  
4.3.2 文本数据向量化 73  
4.3.3 划分数据集 74  
4.3.4 建立*经网络 75  
4.4 运行结果 78  
4.5 剖析*经网络 79  
4.6 小结 83  
4.7 Q&A 83  
第5章 手写数字识别器——认识卷积*经网络 84  
5.* 什么是卷积*经网络 85  
5.*.* 手写数字识别任务的卷积*经网络及运算过程 86  
5.*.2 卷积运算 87  
5.*.3 池化运算 93  
5.*.4 立体卷积核 94  
5.*.5 *参数与参数 95  
5.*.6 其他说明 96  
5.2 手写数字识别器 97  
5.2.* 数据准备 97  
5.2.2 构建网络 *00  
5.2.3 运行模型 *02  
5.2.4 测试模型 *04  
5.3 剖析卷积*经网络 *05  
5.3.* 第 *层卷积核与*征图 *05  
5.3.2 第二层卷积核与*征图 *06  
5.3.3 卷积*经网络的健壮性实验 *07  
5.4 小结 *09  
5.5 Q&A *09  
5.6 扩展阅读 *09  
第6章 手写数字加法机——迁移学习 **0  
6.* 什么是迁移学习 ***  
6.*.* 迁移学习的由来 ***  
6.*.2 迁移学习的分类 **2  
6.*.3 迁移学习的意义 **2  
6.*.4 如何用*经网络实现迁移学习 **3  
6.2 应用案例：迁移学习如何抗击贫困 **5  
6.2.* 背景介绍 **5  
6.2.2 方法探寻 **6  
6.2.3 迁移学习方法 **6  
6.3 蚂蚁还是蜜蜂：迁移大型卷积*经网络 **7  
6.3.* 任务描述与初步尝试 **8  
6.3.2 ResNet与模型迁移 **9  
6.3.3 代码实现 *20  
6.3.4 结果分析 *23  
6.3.5 更多的模型与数据 *25  
6.4 手写数字加法机 *25  
6.4.* 网络架构 *25  
6.4.2 代码实现 *26  
6.4.3 训练与测试 *33  
6.4.4 结果 *35  
6.4.5 大规模实验 *35  
6.5 小结 *40  
6.6 实践项目：迁移与效率 *40  
第7章 你自己的Prisma——图像风格迁移 *42  
7.* 什么是风格迁移 *42  
7.*.* 什么是风格 *42  
7.*.2 风格迁移的含义 *43  
7.2 风格迁移技术发展简史 *44  
7.3 *经网络风格迁移 *46  
7.3.* *经网络风格迁移的*势 *46  
7.3.2 *经网络风格迁移的基本思想 *47  
7.3.3 卷积*经网络的选取 *48  
7.3.4 内容损失 *49  
7.3.5 风格损失 *49  
7.3.6 风格损失原理分析 *50  
7.3.7 损失函数与*化 *53  
7.4 *经网络风格迁移实战 *53  
7.4.* 准备工作 *53  
7.4.2 建立风格迁移网络 *55  
7.4.3 风格迁移训练 *58  
7.5 小结 *6*  
7.6 扩展阅读 *6*  
第8章 人工智能造假术——图像生成与对抗学习 *62  
8.* 反卷积与图像生成 *65  
8.*.* 卷积*经网络回顾 *65  
8.*.2 反卷积运算 *67  
8.*.3 反池化过程 *69  
8.*.4 反卷积与分数步伐 *70  
8.*.5 输出图像尺寸公式 *7*  
8.*.6 批正则化技术 *72  
8.2 图像生成实验*——最小均方误差模型 *73  
8.2.* 模型思路 *73  
8.2.2 代码实现 *74  
8.2.3 运行结果 *78  
8.3 图像生成实验2——生成器—识别器模型 *80  
8.3.* 生成器—识别器模型的实现 *80  
8.3.2 对抗样本 *83  
8.4 图像生成实验3——GAN *86  
8.4.* GAN的总体架构 *87  
8.4.2 程序实现 *88  
8.4.3 结果展示 *9*  
8.5 小结 *93  
8.6 Q&A *93  
8.7 扩展阅读 *94  
第9章 词汇的星空——*经语言模型与Word2Vec *95  
9.* 词向量技术介绍 *95  
9.*.* 初识词向量 *95  
9.*.2 传统编码方式 *96  
9.2 NPLM：*经概率语言模型 *97  
9.2.* NPLM的基本思想 *98  
9.2.2 NPLM的运作过程详解 *98  
9.2.3 读取NPLM中的词向量 20*  
9.2.4 NPLM的编码实现 202  
9.2.5 运行结果 205  
9.2.6 NPLM的总结与局限 207  
9.3 Word2Vec 207  
9.3.* CBOW模型和Skip-gram模型的结构 207  
9.3.2 层次归*化指数函数 208  
9.3.3 负采样 209  
9.3.4 总结及分析 2*0  
9.4 Word2Vec的应用 2*0  
9.4.* 在自己的语料库上训练Word2Vec词向量 2*0  
9.4.2 调用现成的词向量 2*2  
9.4.3 女人 男人＝*后 ** 2*4  
9.4.4 使用向量的空间位置进行词对词翻译 2*6  
9.4.5 Word2Vec小结 2*7  
9.5 小结 2*7  
9.6 Q&A 2*8  
第 *0章 深度网络 LSTM作曲机——序列生成模型 220  
*0.* 序列生成问题 220  
*0.2 RNN与LSTM 22*  
*0.2.* RNN 22*  
*0.2.2 LSTM 227  
*0.3 简单0*序列的学习问题 23*  
*0.3.* RNN的序列学习 232  
*0.3.2 LSTM的序列学习 24*  
*0.4 LSTM作曲机 244  
*0.4.* MIDI文件 244  
*0.4.2 数据准备 245  
*0.4.3 模型结构 245  
*0.4.4 代码实现 246  
*0.5 小结 254  
*0.6 Q&A 255  
*0.7 扩展阅读 255  
第 **章 *经机器翻译机——端到端机器翻译 256  
**.* 机器翻译简介 257  
**.*.* 基于规则的机器翻译技术 257  
**.*.2 统计机器翻译 258  
**.*.3 *经机器翻译 258  
**.*.4 关于Zero-shot翻译 259  
**.2 编码—解码模型 259  
**.2.* 编码—解码模型总体架构 260  
**.2.2 编码器 260  
**.2.3 解码器 263  
**.2.4 损失函数 267  
**.2.5 编码—解码模型归纳 269  
**.2.6 编码—解码模型的效果 269  
**.3 注意力机制 270  
**.3.* *经机器翻译中的注意力 27*  
**.3.2 注意力网络 27*  
**.4 更多改进 275  
**.4.* GRU的结构 275  
**.4.2 双向GRU的应用 275  
**.5 *经机器翻译机的编码实现 276  
**.5.* *经网络的构建 280  
**.5.2 *经网络的训练 283  
**.5.3 测试*经机器翻译机 286  
**.5.4 结果展示 287  
**.6 更多改进 29*  
**.6.* 集束搜索算法 29*  
**.6.2 BLEU：对翻译结果的评估方法 293  
**.6.3 对编码—解码模型的改进 294  
**.7 广义的翻译 295  
**.7.* 广义翻译机 295  
**.7.2 广义翻译的应用场景 295  
**.8 Q&A 297  
第 *2章 更强的机器翻译模型——Transformer 299  
*2.* Transformer概述 299  
*2.*.* 编码—解码模型回顾 300  
*2.*.2 Transformer*景概览 300  
*2.*.3 *奇的自注意力 30*  
*2.2 Atoken旅行记 304  
*2.2.* 奇怪的序号牌 304  
*2.2.2 分身之门 305  
*2.2.3 新朋友 306  
*2.3 Transformer*件详解 306  
*2.3.* 词嵌入与位置嵌入 306  
*2.3.2 自注意力模块计算详解 307  
*2.3.3 自注意力层的矩阵计算 309  
*2.3.4 残差连接与层归*化 3*0  
*2.3.5 逐点计算的前向网络层 3**  
*2.3.6 解码器中的自注意力 3**  
*2.3.7 解码器的输出层 3*2  
*2.4 动手训练*个Transformer翻译模型 3*3  
*2.4.* 翻译模型中输入单位的粒度 3*3  
*2.4.2 模型定义 3*3  
*2.4.3 模型训练 3*8  
*2.4.4 Transformer相关开源库 3*9  
*2.5 小结 3*9  
第 *3章 学习跨任务的语言知识——预训练语言模型 320  
*3.* 语言模型简要回顾 320  
*3.2 预训练Transformer详解 322  
*3.2.* 深入了解GPT 323  
*3.2.2 深入了解BERT 324  
*3.2.3 模型微调 326  
*3.2.4 模型表现 327  
*3.3 单句分类：BERT句子分类实战 328  
*3.4 后BERT时代 334  
*3.5 小结 334  
第 *4章 人体姿态识别——图网络模型 335  
*4.* 图网络及图论基础 335  
*4.*.* 图的基本概念 335  
*4.*.2 什么是图网络 337  
*4.*.3 图网络的基本任务和应用场景 338  
*4.2 图卷积网络 338  
*4.2.* GCN的工作原理 338  
*4.2.2 打开GCN的黑箱 340  
*4.2.3 从社团划分任务来理解GCN 34*  
*4.3 实战：使用GCN识别人体姿态 344  
*4.3.* 数据来源与预处理 345  
*4.3.2 代码实现 346  
*4.4 小结 350  
第 *5章 AI游戏*手——深度强化学习 35*  
*5.* 强化学习简介 352  
*5.*.* 强化学习的要素 352  
*5.*.2 强化学习的应用场景 353  
*5.*.3 强化学习的分类 354  
*5.2 深度Q学习算法 355  
*5.2.* Q学习算法 356  
*5.2.2 DQN算法 357  
*5.2.3 DQN在雅达利游戏上的表现 359  
*5.3 DQN玩Flappy Bird的PyTorch实现 36*  
*5.3.* Flappy Bird的PyGame实现 36*  
*5.3.2 DQN的PyTorch实现 368  
*5.4 小结 377  
*5.5 通用人工智能还有多远 378  
*5.6 Q&A 379  
*5.7 扩展阅读 380