PyTorch教程：21個項目玩轉PyTorch實戰


	PyTorch是基於Torch庫的開源機器學習庫，它主要由Meta（原Facebook）的人工智慧研究實驗室開發，在自然語言處理和電腦視覺領域都具有廣泛的應用。《PyTorch教程：21個項目玩轉PyTorch實戰》介紹了簡單且經典的入門項目，方便快速上手，如MNIST數位識別，讀者在完成項目的過程中可以瞭解資料集、模型和訓練等基礎概念。《PyTorch教程：21個項目玩轉PyTorch實戰》還介紹了一些實用且經典的模型，如R-CNN模型，通過這個模型的學習，讀者可以對目標檢測任務有一個基本的認識，對於基本的網路結構原理有一定的瞭解。另外，《PyTorch教程：21個項目玩轉PyTorch實戰》對於當前比較熱門的生成對抗網路和強化學習也有一定的介紹，方便讀者拓寬視野，掌握前沿方向。《PyTorch教程：21個專案玩轉PyTorch實戰》適合人工智慧、機器學習、深度學習方面的人員閱讀，也適合其他IT方面從業者，另外，還可以作為相關專業的教材。



	購買中國簡體書籍請注意： 1. 因裝幀品質及貨運條件未臻完善，中國簡體書可能有出現磨痕、凹痕、折痕等問題，故簡體字館除封面破損、內頁脫落、缺頁等較嚴重的狀態外，其餘所有商品將正常出貨。


	目錄第1章數位識別 1.1 MNIST資料集2 1.1.1 MNIST 資料集簡介2 1.1.2 導入資料集3 1.2 構建模型4 1.2.1 定義神經網路4 1.2.2 前向傳播6 1.2.3 計算損失7 1.2.4 反向傳播與更新參數8 1.3 開始訓練8 1.4 觀察模型預測結果9 1.5 總結11 第2章 ImageNet圖像識別模型與CIFAR-10 2.1 圖像分類器13 2.1.1 CIFAR-10資料集簡介13 2.1.2 載入資料集14 2.1.3 定義卷積神經網路15 2.1.4 定義損失函數和優化器16 2.1.5 訓練網路16 2.1.6 使用測試集評估17 2.1.7 使用GPU加速19 2.2 ImageNet和圖像識別模型20 2.2.1 ImageNet20 2.2.2 基於 ImageNet 的圖像識別模型20 2.3 總結22 第3章從零構建圖像分類模型 3.1 預訓練模型原理24 3.1.1 狀態字典24 3.1.2 通過設備保存25 3.2 載入ImageNet預訓練模型25 3.3 準備數據27 3.3.1 載入資料集28 3.3.2 使用matplotlib視覺化資料29 3.4 開始訓練29 3.5 使用torchvision微調模型31 3.6 觀察模型預測結果31 3.7 固定模型的參數33 3.8 使用tensorbord視覺化訓練情況34 3.9 總結35 第4章文本生成 4.1 RNN原理及其結構37 4.1.1 經典RNN結構37 4.1.2 N VS 1 式RNN結構38 4.1.3 1 VS N RNN結構39 4.1.4 N VS M RNN結構39 4.2 明確任務39 4.3 準備數據40 4.4 構建模型44 4.5 開始訓練45 4.6 觀察交互結果47 4.7 總結49 第5章目標檢測和實例分割 5.1 快速瞭解目標檢測51 5.1.1 評估方法51 5.1.2 直觀方法 51 5.2 R-CNN系列模型的原理53 5.2.1 R-CNN原理53 5.2.2 Fast R-CNN原理54 5.2.3 Faster R-CNN原理56 5.2.4 Mask R-CNN原理58 5.3 使用torchvison微調模型58 5.3.1 使用Penn-Fudan資料集58 5.3.2 搭建目標檢測模型61 5.3.3 下載必要的工具文件62 5.3.4 改造模型以適應新的資料集62 5.3.5 調用工具檔訓練模型64 5.3.6 評估和測試模型66 5.4 總結68 第6章人臉檢測與識別 6.1 模型介紹70 6.2 facenet-pytorch庫70 6.3 預訓練模型71 6.4 總結74 第7章利用DCGAN生成假臉 7.1 GAN及其原理76 7.2 DCGAN簡介77 7.3 實現一個假臉生成模型78 7.3.1 模型設定78 7.3.2 人臉資料集79 7.3.3 實現生成器81 7.3.4 實現判別器83 7.3.5 損失函數和優化器85 7.4 訓練假臉生成模型85 7.4.1 訓練的整體流程86 7.4.2 更新判別器87 7.4.3 更新生成器88 7.5 視覺化結果89 7.6 總結91 第8章 pix2pix為黑白圖片上色 8.1 帶約束的生成對抗網路93 8.2 pix2pix的原理94 8.3 實現圖到圖翻譯模型95 8.3.1 Facade資料集97 8.3.2 U-Net作為生成器100 8.3.3 PatchGAN作為判別器103 8.4 訓練判別器和生成器105 8.4.1 更新判別器107 8.4.2 更新生成器108 8.5 根據立面結構生成房屋圖片109 8.6 黑白圖片自動上色110 8.7 總結111 第9章 Neural-Style與圖像風格遷移 9.1 理解圖像風格遷移演算法113 9.1.1 傳統風格遷移113 9.1.2 Neural-Style演算法原理114 9.2 載入圖像116 9.3 定義損失模組118 9.3.1 內容損失模組118 9.3.2 風格損失模組119 9.4 導入預訓練模型120 9.5 使用L-BFGS進行梯度下降123 9.6 訓練自己的風格124 9.7 總結126 第10章對抗機器學習和欺騙模型 10.1 模型的潛在威脅128 10.2 快速梯度符號法128 10.3 攻擊一個圖像識別模型129 10.3.1 被攻擊的模型129 10.3.2 FGSM演算法131 10.4 開始攻擊131 10.4.1 攻擊流程132 10.4.2 攻擊結果133 10.5 總結136 第11章 word2vec與詞向量 11.1 詞嵌入作用138 11.2 詞嵌入原理139 11.2.1 CBOW實現139 11.2.2 Skip-Gram實現140 11.3 在PyTorch中實現詞嵌入141 11.3.1 數據準備141 11.3.2 構造模型143 11.3.3 訓練模型143 11.3.4 視覺化144 11.4 工具包word2vec結合中文詞嵌入146 11.4.1 word2vec使用146 11.4.2 中文詞嵌入147 11.5 總結147 第12章命名實體識別 12.1 NER背景介紹149 12.2 LSTM149 12.2.1 LSTM原理150 12.2.2 在PyTorch中使用LSTM152 12.3 CRF155 12.3.1 發射分數和轉移分數156 12.3.2 損失函數157 12.3.3 預測158 12.4 構建模型158 12.4.1 模型結構158 12.4.2 模型代碼159 12.5 開始訓練162 12.6 總結164 第13章基於AG_NEWS的文本分類 13.1 數據預處理166 13.1.1 原始資料反覆運算器166 13.1.2 資料處理166 13.2 準備模型168 13.2.1 初始化一個實例169 13.2.2 定義函數訓練和評估模型169 13.3 訓練模型170 13.4 評估和測試模型173 13.4.1 評估模型173 13.4.2 隨機新聞測試173 13.5 總結174 第14章基於 BERT 的文本分類 14.1 transformers資料處理 176 14.1.1 載入預訓練的序列化工具176 14.1.2 基本用法177 14.2 微調預訓練模型178 14.2.1 資料集介紹和處理178 14.2.2 導入模型179 14.2.3 定義訓練器180 14.3 總結181 第15章文本翻譯 15.1 Seq2Seq網路183 15.2 注意力機制Attention184 15.3 準備數據185 15.4 構建模型189 15.4.1 編碼器190 15.4.2 解碼器191 15.4.3 注意力機制解碼器192 15.5 開始訓練193 15.5.1 準備訓練數據194 15.5.2 訓練技巧Teacher Forcing194 15.5.3 訓練模型194 15.6 觀察模型效果198 15.6.1 評估模型198 15.6.2 視覺化注意力201 15.7 總結203 第16章文本閱讀理解 16.1 閱讀理解任務介紹205 16.2 模型實現205 16.3 總結208 第17章為圖像添加文本描述 17.1 編碼器-解碼器架構210 17.2 Image Caption模型210 17.2.1 神經圖像字幕生成器210 17.2.2 加入注意力機制211 17.3 中文圖像字幕資料集212 17.3.1 資料結構212 17.3.2 構建詞典213 17.3.3 構建資料集215 17.4 構建Image Caption模型218 17.4.1 編碼器218 17.4.2 解碼器219 17.4.3 注意力層222 17.5 模型訓練和評估223 17.5.1 訓練編碼器和解碼器223 17.5.2 計算BLEU指標225 17.5.3 視覺化結果225 17.6 總結226 第18章聊天機器人 18.1 準備數據228 18.1.1 數據預處理228 18.1.2 為模型準備資料230 18.2 構建模型235 18.2.1 Encoder236 18.2.2 Decoder237 18.3 訓練準備239 18.4 評估模型243 18.5 訓練模型245 18.6 總結247 第19章 CycleGAN 模型 19.1 CycleGAN模型架構249 19.2 CycleGAN 模型的應用249 19.2.1 安裝依賴包249 19.2.2 準備資料集250 19.2.3 預訓練模型251 19.2.4 訓練模型252 19.2.5 測試模型253 19.2.6 結果視覺化253 19.3 總結254 第20章圖像超解析度與ESPCN 20.1 理解圖像超解析度和ESPCN演算法256 20.1.1 圖像超解析度背景介紹256 20.1.2 ESPCN演算法原理257 20.2 製作資料集260 20.3 構建ESPCN模型263 20.4 訓練ESPCN模型264 20.5 測試ESPCN模型268 20.6 總結270 第21章強化學習 21.1 任務準備272 21.1.1 任務說明272 21.1.2 需要的包272 21.2 記憶重放273 21.3 DQN演算法274 21.3.1 Q-Learning演算法274 21.3.2 Q-Net模型275 21.3.3 抓取輸入圖像（獲得狀態表示）276 21.3.4 超參數設置和工具函數277 21.3.5 訓練模型279 21.4 總結282