内容简介

本书基于PyTorch框架介绍深度学习的有关理论和应用,以Python为实现语言。全书共分10章，内容包括深度学习的概念和发展过程、感知器、全连接神经网络、卷积神经网络、若干经典CNN预训练模型及其迁移方法、深度卷积神经网络应用案例、循环神经网络、基于预训练模型的自然语言处理、面向模型解释的深度神经网络可视化方法、多模态学习与多模态数据分类等。

本书兼顾理论与应用、原理与方法，集系统性、实用性、便捷性于一体，易于入门，实例丰富，所有代码全部经过调试和运行。此外，每一章后面都配有适量的习题，供教学和学习参考使用。 

本书可作为各类高等学校人工智能和计算机相关专业的“人工智能”或“机器学习”课程的教材，也可作为人工智能、深度学习爱好者和初学者的自学教材，以及从事人工智能课题研究和应用开发人员的参考用书。

编辑推荐

本书基于PyTorch框架介绍深度学习的有关理论和应用,以Python为实现语言，兼顾理论与应用、原理与方法，集系统性、实用性、便捷性和易入门性于一身，实例丰富，所有代码全部经过调试和运行。

目录

第1章绪论与PyTorch基础/1

1.1人工智能与神经网络1

1.2深度学习2

1.2.1什么是深度学习2

1.2.2深度学习的发展过程3

1.2.3深度学习的基础网络4

1.3建立PyTorch的开发环境4

1.3.1Anaconda与Python的安装4

1.3.2PyCharm和PyTorch的安装5

1.3.3PyTorch的Hello World程序6

1.4张量基础7

1.4.1张量的定义及其物理含义7

1.4.2张量的切片操作10

1.4.3面向张量的数学函数13

1.4.4张量的变形16

1.4.5张量的常用运算17

1.4.6张量的广播机制21

1.4.7梯度的自动计算22

1.4.8张量与其他对象的相互转换23

1.4.9张量的拼接24

1.5初识PyTorch框架25

1.5.1一个简单的网络模型25

1.5.2访问网络模型的各个网络层27

1.5.3访问模型参数及模型保存和加载方法29

1.6本章小结30

1.7习题31

第2章感知器——神经元/32

2.1感知器的定义32

2.2激活函数33

2.3感知器的训练34

2.3.1监督学习和无监督学习34

2.3.2面向回归问题的训练方法35

2.3.3面向分类问题的训练方法43

2.4使用PyTorch框架46

2.4.1PyTorch框架的作用47

2.4.2使用PyTorch框架实现感知器47

2.5本章小结52

2.6习题53

第3章全连接神经网络/54

3.1构建一个简单的全连接神经网络——解决二分类问题54

3.1.1一个简单全连接神经网络的构建和训练54

3.1.2程序代码解释及网络层的构建方法56

3.2全连接神经网络的构造方法59

3.2.1网络层的定义59

3.2.2网络结构的实现60

3.2.3从网络结构判断网络的功能62

3.3几种主流的损失函数62

3.3.1nn.CrossEntropyLoss()和nn.NLLLoss()函数63

3.3.2nn.MSELoss()函数66

3.3.3nn.BCELoss()和nn.BCEWithLogitsLoss()函数66

3.3.4nn.L1Loss()函数67

3.4网络模型的训练与测试68

3.4.1数据集分割68

3.4.2数据打包69

3.4.3网络模型的训练方法70

3.4.4梯度累加的训练方法71

3.4.5学习率衰减在训练中的应用72

3.4.6网络模型的测试74

3.4.7应用案例——波士顿房价预测76

3.5正向计算和反向梯度传播的理论分析81

3.5.1正向计算81

3.5.2梯度反向传播与参数更新85

3.6本章小结89

3.7习题90

第4章卷积神经网络/91

4.1一个简单的卷积神经网络——手写数字识别91

4.1.1程序代码91

4.1.2代码解释94

4.2卷积神经网络的主要操作96

4.2.1单通道卷积96

4.2.2多通道卷积100

4.2.3卷积操作的PyTorch代码实现103

4.2.4池化操作及其PyTorch代码实现105

4.2.5relu()激活函数及其应用107

4.2.6感受野109

4.3卷积神经网络的设计方法109

4.3.1基本设计原则109

4.3.2网络结构查看和参数量计算110

4.3.3一个猫狗图像分类示例111

4.4过拟合及其解决方法116

4.5本章小结117

4.6习题117

第5章若干经典CNN预训练模型及其迁移方法/119

5.1一个使用VGG16的图像识别程序119

5.1.1程序代码119

5.1.2代码解释122

5.2经典卷积神经网络的结构124

5.2.1卷积神经网络的发展过程124

5.2.2AlexNet网络125

5.2.3VGGNet网络126

5.2.4GoogLeNet网络与1×1卷积核128

5.2.5ResNet网络130

5.2.6EfficientNet网络131

5.3预训练模型的迁移方法132

5.3.1预训练网络迁移的基本原理132

5.3.2VGG16的迁移案例133

5.3.3GoogLeNet的迁移案例136

5.3.4ResNet的迁移案例140

5.3.5EfficientNet的迁移案例142

5.4本章小结145

5.5习题145

第6章深度卷积神经网络的应用案例/146

6.1人脸识别146

6.1.1人脸识别的设计思路146

6.1.2人脸识别程序147

6.2语义分割152

6.2.1从零开始构建语义分割网络152

6.2.2使用预训练模型构建语义分割网络160

6.3目标检测161

6.3.1从零开始构建目标检测网络161

6.3.2使用Fasterrcnn构建目标检测网络165

6.4生成对抗网络172

6.4.1生成手写数字图片173

6.4.2生成花卉图片176

6.4.3条件性生成对抗网络179

6.5本章小结182

6.6习题182

第7章循环神经网络/183

7.1一个简单的循环神经网络——航空旅客出行人数预测183

7.1.1程序代码183

7.1.2代码解释187

7.2循环神经网络应用188

7.2.1循环神经网络的基本结构188

7.2.2从“零”开始构建一个循环神经网络190

7.3长短时记忆网络（LSTM）192

7.3.1LSTM的结构和特点192

7.3.2LSTM的使用方法195

7.3.3深度循环神经网络199

7.3.4双向循环神经网络199

7.3.5LSTM的变体——GRU200

7.4文本的表示201

7.4.1词的独热表示201

7.4.2Word2Vec词向量202

7.4.3词嵌入表示202

7.5基于LSTM的文本分类206

7.6基于LSTM的文本生成210

7.6.1语言模型与文本生成210

7.6.2类不平衡问题211

7.6.3文本生成案例212

7.7本章小结216

7.8习题216

第8章基于预训练模型的自然语言处理/217

8.1Seq2Seq结构与注意力机制217

8.1.1Seq2Seq结构217

8.1.2注意力机制221

8.2Transformer及其在NLP中的应用225

8.2.1Transformer中的注意力机制225

8.2.2Transformer的结构226

8.2.3Transformer的位置编码与嵌入226

8.2.4Transformer的使用方法229

8.2.5Transformer应用案例232

8.3BERT及其在NLP中的应用238

8.3.1关于BERT238

8.3.2BERT的使用方法240

8.3.3基于BERT的文本分类243

8.3.4基于BERT的阅读理解247

8.4基于GPT的文本生成254

8.4.1关于GPT254

8.4.2使用GPT2生成英文文本——直接使用255

8.4.3使用GPT2生成中文文本——微调方法256

8.5视觉Transformer（ViT）260

8.5.1关于ViT260

8.5.2ViT预训练模型的使用方法260

8.5.3基于ViT的图像分类262

8.6ChatGPT及其使用方法264

8.6.1关于ChatGPT264

8.6.2ChatGPT的使用方法266

8.7本章小结269

8.8习题269

第9章面向解释的深度神经网络可视化方法/270

9.1CNN各网络层输出的可视化270

9.2CNN模型决策原因的可视化方法274

9.2.1基于类别权重的类激活图（CAM）274

9.2.2基于梯度的类激活图（CAM）277

9.3面向NLP任务的可视化方法281

9.3.1NLP任务中注意力机制可视化的一般方法281

9.3.2自注意力机制的可视化282

9.4本章小结284

9.5习题285

第10章多模态学习与多模态数据分类/286

10.1多模态学习286

10.1.1多模态学习的发展过程286

10.1.2多模态学习的主要任务287

10.2多模态数据分类288

10.2.1文本特征提取方法289

10.2.2图像特征提取方法289

10.2.3多模态数据融合方法289

10.3多模态数据分类案例291

10.4本章小结296

10.5习题297

参考文献/298