思维导图备注

深度学习入门之PyTorch - 廖星宇
首页 收藏书籍 阅读记录
  • 书签 我的书签
  • 添加书签 添加书签 移除书签 移除书签

封面

浏览 11 扫码
  • 小字体
  • 中字体
  • 大字体
2024-04-30 09:46:04
请 登录 再阅读
上一篇:
下一篇:
  • 书签
  • 添加书签 移除书签
  • 封面
  • 版权信息
  • 前言
  • 第1章　深度学习介绍
    • 1.1　人工智能
    • 1.2　数据挖掘、机器学习与深度学习
      • 1.2.1　数据挖掘
      • 1.2.2　机器学习
      • 1.2.3　深度学习
    • 1.3　学习资源与建议
  • 第2章　深度学习框架
    • 2.1　深度学习框架介绍
    • 2.2　PyTorch介绍
      • 2.2.2　为何要使用PyTorch
    • 2.3　配置PyTorch深度学习环境
      • 2.3.1　操作系统的选择
      • 2.3.2　Python开发环境的安装
      • 2.3.3　PyTorch的安装
  • 第3章　多层全连接神经网络
    • 3.1　热身：PyTorch基础
      • 3.1.1　Tensor（张量）
      • 3.1.2　Variable（变量）
      • 3.1.3　Dataset（数据集）
      • 3.1.4　nn.Module（模组）
      • 3.1.5　torch.optim（优化）
      • 3.1.6　模型的保存和加载
    • 3.2　线性模型
      • 3.2.1　问题介绍
      • 3.2.2　一维线性回归
      • 3.2.3　多维线性回归
      • 3.2.4　一维线性回归的代码实现
      • 3.2.5　多项式回归
    • 3.3　分类问题
      • 3.3.1　问题介绍
      • 3.3.2　Logistic起源
      • 3.3.3　Logistic分布
      • 3.3.4　二分类的Logistic回归
      • 3.3.5　模型的参数估计
      • 3.3.6　Logistic回归的代码实现
    • 3.4　简单的多层全连接前向网络
      • 3.4.1　模拟神经元
      • 3.4.2　单层神经网络的分类器
      • 3.4.3　激活函数
      • 3.4.4　神经网络的结构
      • 3.4.5　模型的表示能力与容量
    • 3.5　深度学习的基石：反向传播算法
      • 3.5.1　链式法则
      • 3.5.2　反向传播算法
      • 3.5.3　Sigmoid函数举例
    • 3.6　各种优化算法的变式
      • 3.6.1　梯度下降法
      • 3.6.2　梯度下降法的变式
    • 3.7　处理数据和训练模型的技巧
      • 3.7.1　数据预处理
      • 3.7.2　权重初始化
      • 3.7.3　防止过拟合
    • 3.8　多层全连接神经网络实现MNIST手写数字分类
      • 3.8.1　简单的三层全连接神经网络
      • 3.8.2　添加激活函数
      • 3.8.3　添加批标准化
      • 3.8.4　训练网络
  • 第4章　卷积神经网络
    • 4.1　主要任务及起源
    • 4.2　卷积神经网络的原理和结构
      • 4.2.1　卷积层
      • 4.2.2　池化层
      • 4.2.3　全连接层
      • 4.2.4　卷积神经网络的基本形式
    • 4.3　PyTorch卷积模块
      • 4.3.1　卷积层
      • 4.3.2　池化层
      • 4.3.3　提取层结构
      • 4.3.4　如何提取参数及自定义初始化
    • 4.4　卷积神经网络案例分析
      • 4.4.1　LeNet
      • 4.4.2　AlexNet
      • 4.4.3　VGGNet
      • 4.4.4　GoogLeNet
      • 4.4.5　ResNet
    • 4.5　再实现MNIST手写数字分类
    • 4.6　图像增强的方法
    • 4.7　实现cifar10分类
  • 第5章　循环神经网络
    • 5.1　循环神经网络
      • 5.1.1　问题介绍
      • 5.1.2　循环神经网络的基本结构
      • 5.1.3　存在的问题
    • 5.2　循环神经网络的变式：LSTM与GRU
      • 5.2.1　LSTM
      • 5.2.2　GRU
      • 5.2.3　收敛性问题
    • 5.3　循环神经网络的PyTorch实现
      • 5.3.1　PyTorch的循环网络模块
      • 5.3.2　实例介绍
    • 5.4　自然语言处理的应用
      • 5.4.1　词嵌入
      • 5.4.2　词嵌入的PyTorch实现
      • 5.4.3　N Gram模型
      • 5.4.4　单词预测的PyTorch实现
      • 5.4.5　词性判断
      • 5.4.6　词性判断的PyTorch实现
    • 5.5　循环神经网络的更多应用
      • 5.5.1　Many to one
      • 5.5.2　Many to Many(shorter)
      • 5.5.3　Seq2seq
      • 5.5.4　CNN+RNN
  • 第6章　生成对抗网络
    • 6.1　生成模型
      • 6.1.1　自动编码器
      • 6.1.2　变分自动编码器
    • 6.2　生成对抗网络
      • 6.2.1　何为生成对抗网络
      • 6.2.2　生成对抗网络的数学原理
    • 6.3　Improving GAN
      • 6.3.1　Wasserstein GAN
      • 6.3.2　Improving WGAN
    • 6.4　应用介绍
      • 6.4.1　Conditional GAN
      • 6.4.2　Cycle GAN
  • 第7章　深度学习实战
    • 7.1　实例一——猫狗大战：运用预训练卷积神经网络进行特征提取与预测
      • 7.1.1　背景介绍
      • 7.1.2　原理分析
      • 7.1.3　代码实现
      • 7.1.4　总结
    • 7.2　实例二——Deep Dream：探索卷积神经网络眼中的世界
      • 7.2.1　原理介绍
      • 7.2.2　预备知识：backward
      • 7.2.3　代码实现
      • 7.2.4　总结
    • 7.3　实例三——Neural-Style：使用PyTorch进行风格迁移
      • 7.3.1　背景介绍
      • 7.3.2　原理分析
      • 7.3.3　代码实现
      • 7.3.4　总结
    • 7.4　实例四——Seq2seq：通过RNN实现简单的Neural Machine Translation
      • 7.4.1　背景介绍
      • 7.4.2　原理分析
      • 7.4.3　代码实现
      • 7.4.4　总结
暂无相关搜索结果！
    展开/收起文章目录

    二维码

    手机扫一扫，轻松掌上学

    《深度学习入门之PyTorch - 廖星宇》电子书下载

    请下载您需要的格式的电子书，随时随地，享受学习的乐趣！
    EPUB 电子书

    书签列表

      阅读记录

      阅读进度: 0.00% ( 0/0 ) 重置阅读进度