深度学习原理及PyTorch实现（微课版）

图书介绍

本书特色：1、实践导向性强，几乎所有知识点都配有可运行的代码，并详细解释了关键参数的作用。2、案例选择经典且新颖，既涵盖图像分类、文本处理等基础任务，也深入目标检测、AI创作等前沿应用。3、阐述力求通俗易懂，用生动的比喻和直观的图示解释复杂概念，同时保持技术的严谨性容。

图书目录

第1章 深度学习概述

1.1 深度学习的兴起与发展
       1.1.1 思想萌芽与早期探索（1950s-1980s）
       1.1.2 积蓄力量：算法突破与条件准备（1980s-2000s）
       1.1.3 引爆点：大数据时代的深度网络复兴（2006-2012）
       1.1.4 全面繁荣与架构革命（2012年至今）
       1.1.5 通向未来：从深度学习到通用人工智能的展望
1.2 深度学习的基本概念
       1.2.1 深度学习技术剖析
       1.2.2 深度学习兴起的背景条件
       1.2.3 深度学习与传统机器学习的区别
1.3 PyTorch简介和安装
       1.3.1 PyTorch简介
       1.3.2 安装CUDA
       1.3.3 安装cuDNN
       1.3.4 寻找合适版本的PyTorch
       1.3.5 安装Anaconda
       1.3.6 安装PyTorch
1.4 PyTorch手写数字识别
       1.4.1 数据集加载与预处理
       1.4.2 神经网络模型的定义
       1.4.3 损失函数与模型训练
       1.4.4 模型结果分析与可视化
本章小结
习题

第2章 深度学习的理论基础

2.1 感知器模型
       2.1.1 感知器的定义
       2.1.2 感知器的工作原理
       2.1.3 感知器的学习算法
       2.1.4 代码实现
2.2 多层感知器
       2.2.1 多层感知器的基本结构
       2.2.2 多层感知器的数学表达
       2.2.3 多层感知器的简单实例
2.3 反向传播算法
       2.3.1 前向计算
       2.3.2 损失函数
       2.3.3 反向传播
       2.3.4 参数更新
       2.3.5 梯度计算过程
       2.3.6 梯度消失和梯度爆炸现象
       2.3.7 简单计算实例
2.4 反向传播算法的实现
       2.4.1 数据加载和预处理
       2.4.2 模型构建
       2.4.3 前向传播
       2.4.4 反向传播
       2.4.5 模型训练
       2.4.6 模型评估
       2.4.7 实例化测试
本章小结
习题

第3章 PyTorch编程基础

3.1 PyTorch张量
       3.1.1 PyTorch张量的基本属性
       3.1.2 PyTorch张量的维度
       3.1.3 张量的存储设备
       3.1.4 PyTorch张量与NumPy数组的关系
3.2 自动微分机制
       3.2.1 链式求导法则
       3.2.2 计算图
       3.2.3 前向计算与反向传播
       3.2.4 例子：简单函数的自动微分
       3.2.5 PyTorch中的自动微分机制
3.3 Pytorch数据加载与增强
       3.3.1 加载自带数据集：torchvision.datasets.MNIST
       3.3.2 数据加载器：torch.utils.data.DataLoader
       3.3.3 从硬盘中加载图像数据：torchvision.datasets.ImageFolder
       3.3.4 自定义数据集：torch.utils.data.Dataset
       3.3.5 数据增强：torchvision.transforms
3.4 Pytorch网络构建
       3.4.1 网络模型的生成
       3.4.2 全连接层
       3.4.3 激活函数
       3.4.4 自定义层
3.5 Pytorch网络训练
       3.5.1 优化器
       3.5.2 损失函数
       3.5.3 自定义损失函数
本章小结
习题

第4章 卷积神经网络

4.1 卷积层和池化层
       4.1.1 一维卷积
       4.1.2 二维卷积
       4.1.3 三维卷积
       4.1.4 转置卷积
       4.1.5 池化层
       4.1.6 基于卷积神经网络的手写数字识别实例
4.2 归一化层和正则化层
       4.2.1 归一化层
       4.2.2 正则化层
4.3 典型的卷积神经网络
       4.3.1 LeNet-5
       4.3.2 AlexNet
       4.3.3 VGGNet
       4.3.4 GoogLeNet
       4.3.5 ResNet
       4.3.6 使用预训练ResNet模型
本章小结
习题

第5章 循环神经网络

5.1 Embedding层
       5.1.1 Embedding层的定义
       5.1.2 Embedding层的训练
5.2 循环层
       5.2.1 循环层RNN
       5.2.2 长短期记忆网络LSTM
       5.2.3 基于Embedding层和LSTM层的中文文本分类
本章小结
习题

第6章 自动编码器与生成式对抗网络

6.1 自动编码器
       6.1.1 基本自动编码器
       6.1.2 利用编码器-解码器结构进行机器翻译
       6.1.3 变分自动编码器
6.2 生成对抗网络
       6.2.1 基本的GAN
       6.2.2 DCGAN
       6.2.3 Conditional GAN
本章小结
习题

第7章 Transformer模型与扩散模型

7.1 Transformer模型
       7.1.1 多头注意力机制
       7.1.2 位置编码
       7.1.3 残差模块
       7.1.4 掩码机制
       7.1.5 Transformer架构
7.2 扩散模型
       7.2.1 扩散模型的基本原理
       7.2.2 网络架构设计
       7.2.3 扩散模型的PyTorch实现
       7.2.4 总结与前沿展望
本章小结
习题

第8章 深度学习模型综合实践

8.1 宠物头部定位综合案例
       8.1.1 任务概述与目标
       8.1.2 数据可视化
       8.1.3 数据加载与预处理
       8.1.4 模型的设计与构建
       8.1.5 模型的训练
       8.1.6 模型结果分析
8.2 诗歌生成综合案例
       8.2.1 任务概述与目标
       8.2.2 数据可视化
       8.2.3 数据加载与预处理
       8.2.4 模型的设计与构建
       8.2.5 模型的训练
       8.2.6 模型结果分析
本章小结
习题