深度学习入门之PyTorch 2025 chm pdf kindle rb azw3 下载 115盘

深度学习如今已经成为了科技领域*炙手可热的技术，在本书中，我们将帮助你入门深度学习的领域。本书将从人工智能的介绍入手，了解机器学习和深度学习的基础理论，并学习如何用PyTorch框架对模型进行搭建。通过阅读本书，你将会学习到机器学习中的线性回归和logistic回归，深度学习的优化方法，多层全连接神经网络，卷积神经网络，循环神经网络以及生成对抗网络，同时从零开始对PyTorch进行学习，了解PyTorch基础及如何用其进行模型的搭建，*后通过实战了解*前沿的研究成果和PyTorch在实际项目中的应用。

第1 章深度学习介绍1

1.1 人工智能. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1

1.2 数据挖掘、机器学习与深度学习. . . . . . . . . . . . . . . . . . . . . . . 2

1.2.1 数据挖掘. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3

1.2.2 机器学习. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3

1.2.3 深度学习. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4

1.3 学习资源与建议. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8

第2 章深度学习框架11

2.1 深度学习框架介绍. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11

2.2 PyTorch 介绍. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13

2.2.1 什么是PyTorch . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13

2.2.2 为何要使用PyTorch . . . . . . . . . . . . . . . . . . . . . . . . . . 14

2.3 配置PyTorch 深度学习环境. . . . . . . . . . . . . . . . . . . . . . . . . . 15

2.3.1 操作系统的选择. . . . . . . . . . . . . . . . . . . . . . . . . . . . 15

2.3.2 Python 开发环境的安装. . . . . . . . . . . . . . . . . . . . . . . . 16

2.3.3 PyTorch 的安装. . . . . . . . . . . . . . . . . . . . . . . . . . . . 18

第3 章多层全连接神经网络24

3.1 热身：PyTorch 基础. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24

3.1.1 Tensor（张量） . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24

3.1.2 Variable（变量） . . . . . . . . . . . . . . . . . . . . . . . . . . . 26

3.1.3 Dataset（数据集） . . . . . . . . . . . . . . . . . . . . . . . . . . . 28

3.1.4 nn.Module（模组） . . . . . . . . . . . . . . . . . . . . . . . . . . 29

3.1.5 torch.optim（优化） . . . . . . . . . . . . . . . . . . . . . . . . . . 30

3.1.6 模型的保存和加载. . . . . . . . . . . . . . . . . . . . . . . . . . 31

3.2 线性模型. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32

3.2.1 问题介绍. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32

3.2.2 一维线性回归. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33

3.2.3 多维线性回归. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34

3.2.4 一维线性回归的代码实现. . . . . . . . . . . . . . . . . . . . . . 35

3.2.5 多项式回归. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38

3.3 分类问题. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42

3.3.1 问题介绍. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42

3.3.2 Logistic 起源. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42

3.3.3 Logistic 分布. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42

3.3.4 二分类的Logistic 回归. . . . . . . . . . . . . . . . . . . . . . . . 43

3.3.5 模型的参数估计. . . . . . . . . . . . . . . . . . . . . . . . . . . . 44

3.3.6 Logistic 回归的代码实现. . . . . . . . . . . . . . . . . . . . . . . 45

3.4 简单的多层全连接前向网络. . . . . . . . . . . . . . . . . . . . . . . . . 49

3.4.1 模拟神经元. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49

3.4.2 单层神经网络的分类器. . . . . . . . . . . . . . . . . . . . . . . . 50

3.4.3 激活函数. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51

3.4.4 神经网络的结构. . . . . . . . . . . . . . . . . . . . . . . . . . . . 54

3.4.5 模型的表示能力与容量. . . . . . . . . . . . . . . . . . . . . . . . 55

3.5 深度学习的基石：反向传播算法. . . . . . . . . . . . . . . . . . . . . . . 57

3.5.1 链式法则. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57

3.5.2 反向传播算法. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58

3.5.3 Sigmoid 函数举例. . . . . . . . . . . . . . . . . . . . . . . . . . . 58

3.6 各种优化算法的变式. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59

3.6.1 梯度下降法. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59

3.6.2 梯度下降法的变式. . . . . . . . . . . . . . . . . . . . . . . . . . 62

3.7 处理数据和训练模型的技巧. . . . . . . . . . . . . . . . . . . . . . . . . 64

3.7.1 数据预处理. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64

3.7.2 权重初始化. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66

3.7.3 防止过拟合. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67

3.8 多层全连接神经网络实现MNIST 手写数字分类. . . . . . . . . . . . . . 69

3.8.1 简单的三层全连接神经网络. . . . . . . . . . . . . . . . . . . . . 70

3.8.2 添加激活函数. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70

3.8.3 添加批标准化. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71

3.8.4 训练网络. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71

第4 章卷积神经网络76

4.1 主要任务及起源. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76

4.2 卷积神经网络的原理和结构. . . . . . . . . . . . . . . . . . . . . . . . . 77

4.2.1 卷积层. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80

4.2.2 池化层. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84

4.2.3 全连接层. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85

4.2.4 卷积神经网络的基本形式. . . . . . . . . . . . . . . . . . . . . . 85

4.3 PyTorch 卷积模块. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87

4.3.1 卷积层. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87

4.3.2 池化层. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88

4.3.3 提取层结构. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90

4.3.4 如何提取参数及自定义初始化. . . . . . . . . . . . . . . . . . . . 91

4.4 卷积神经网络案例分析. . . . . . . . . . . . . . . . . . . . . . . . . . . . 92

4.4.1 LeNet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93

4.4.2 AlexNet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94

4.4.3 VGGNet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95

4.4.4 GoogLeNet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98

4.4.5 ResNet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100

4.5 再实现MNIST 手写数字分类. . . . . . . . . . . . . . . . . . . . . . . . . 103

4.6 图像增强的方法. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105

4.7 实现cifar10 分类. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107

第5 章循环神经网络111

5.1 循环神经网络. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111

5.1.1 问题介绍. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112

5.1.2 循环神经网络的基本结构. . . . . . . . . . . . . . . . . . . . . . 112

5.1.3 存在的问题. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115

5.2 循环神经网络的变式：LSTM 与GRU . . . . . . . . . . . . . . . . . . . . 116

5.2.1 LSTM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116

5.2.2 GRU . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119

5.2.3 收敛性问题. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 120

5.3 循环神经网络的PyTorch 实现. . . . . . . . . . . . . . . . . . . . . . . . 122

5.3.1 PyTorch 的循环网络模块. . . . . . . . . . . . . . . . . . . . . . . 122

5.3.2 实例介绍. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127

5.4 自然语言处理的应用. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131

5.4.1 词嵌入. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131

5.4.2 词嵌入的PyTorch 实现. . . . . . . . . . . . . . . . . . . . . . . . 133

5.4.3 N Gram 模型. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133

5.4.4 单词预测的PyTorch 实现. . . . . . . . . . . . . . . . . . . . . . . 134

5.4.5 词性判断. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 136

5.4.6 词性判断的PyTorch 实现. . . . . . . . . . . . . . . . . . . . . . . 137

5.5 循环神经网络

廖星宇，目前就读于中国科学技术大学应用数学系，获得国家一等奖学金。在个人博客、知乎等平台上发布多篇关于深度学习的文章，具有一定的阅读量和人气。

暂无出版社相关信息，正在全力查找中！

暂无相关书籍摘录，正在全力查找中！

在线阅读地址：深度学习入门之PyTorch在线阅读

在线听书地址：深度学习入门之PyTorch在线收听

在线购买地址：深度学习入门之PyTorch在线购买

暂无原文赏析，正在全力查找中！

编辑推荐

1 作者本身也是从小白开始入门深度学习的，无论从书中内容，还是讲解思路，以及语言风格，均适合你从零开始进入深度学习这个充满魔力的世界。

2 实例简单而不简约，用到了生成对抗网络和注意力机制等目前相对前沿的深度学习技术。

3 虽然是一本入门教程，但是对原理的讲述也不含糊，清晰易懂，让读者能知其然且知其所以然。

书摘插图

暂时没有内容

书籍介绍

《深度学习入门之PyTorch》深度学习如今已经成为科技领域最炙手可热的技术，在《深度学习入门之PyTorch》中，我们将帮助你入门深度学习。《深度学习入门之PyTorch》将从机器学习和深度学习的基础理论入手，从零开始学习 PyTorch，了解 PyTorch 基础，以及如何用 PyTorch 框架搭建模型。通过阅读《深度学习入门之PyTorch》，你将学到机器学习中的线性回归和 Logistic 回归、深度学习的优化方法、多层全连接神经网络、卷积神经网络、循环神经网络，以及生成对抗网络，最后通过实战了解深度学习前沿的研究成果，以及 PyTorch 在实际项目中的应用。《深度学习入门之PyTorch》将理论和代码相结合，帮助读者更好地入门深度学习，适合任何对深度学习感兴趣的人阅读。