小苏子
小苏子PDF在线图书

深度学习入门之PyTorch 作者:廖星宇

深度学习入门之PyTorch 作者:廖星宇

深度学习入门之PyTorch 出版社: 电子工业出版社

深度学习入门之PyTorch 内容简介

深度学习入门之PyTorch 目录

深度学习入门之PyTorch 精彩文摘

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。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1.3 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2.3 配置PyTorch深度学习环境第3章 多层全连接神经网络3.1 热身:PyTorch基础3.2 线性模型3.3 分类问题3.4 简单的多层全连接前向网络3.5 深度学习的基石:反向传播算法3.6 各种优化算法的变式3.7 处理数据和训练模型的技巧3.8 多层全连接神经网络实现MNIST手写数字分类第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4.3 PyTorch卷积模块4.4 卷积神经网络案例分析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5.2 循环神经网络的变式:LSTM与GRU5.3 循环神经网络的PyTorch实现5.4 自然语言处理的应用5.5 循环神经网络的更多应用第6章 生成对抗网络6.1 生成模型6.2 生成对抗网络6.3 Improving GAN6.4 应用介绍第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7.2 实例二——Deep Dream:探索卷积神经网络眼中的世界7.3 实例三——Neural-Style:使用PyTorch进行风格迁移7.4 实例四——Seq2seq:通过RNN实现简单的Neural Ma-chine Translation自古以来,发明家们都梦想着能够创造有思想的机器人,当电脑问世之后,人们一直想知道它们是否可以变得更加智能。如今人工智能成为一个有着无限商业价值和研究价值的领域,人们也看到了人工智能在图像、语音、自然语言上取得的巨大成功。这一章,我们将简要地介绍一下人工智能及其重要性,以及什么是数据挖掘、机器学习和深度学习,并介绍它们彼此之间的联系与区别,其中会重点介绍深度学习,很后给出一些合理可行的学习建议,帮助大家从零开始进入深度学习这个充满魔力的领域。人工智能(Artificial Intelligence),也称为机器智能,是指由人工制造出来的系统所表现的智能,所谓的智能,即指可以观察周围环境并据此做出行动以达到目的。在人工智能的早期,那些对人类智力来说非常困难、但对计算机来说相对简单的问题迅速得到解决,比如,那些可以通过一系列形式化的数学规则来描述的问题。AI的真正挑战在于解决那些对人来说很容易执行、但很难形式化描述的任务,比如,识别人们所说的话或图像中的脸。对于这些问题,我们人类往往可以凭借直觉轻易地解决,因为我们已经在上万年的进化中形成了这些直觉性的能力,但是机器却很难找到实现的方法。长久以来人们一直相信人工智能是存在的,但是却不知道如何实现。以前的科幻电影总会融入人工智能,比如《星球大战》《终结者》《骇客帝国》,等等。电影的渲染使我们总觉得人工智能缺乏真实感,或者总将人工智能和机器人联系在一起。其实我们身边早已实现了一些弱人工智能,只是因为人工智能听起来很神秘,所以我们往往没有意识到。首先,不要一提到人工智能就想到机器人。机器人只是人工智能的一种容器,如果将人工智能比作大脑,那么机器人就好似身体——然而这个身体却不是必需的,比如现在很火的AlphaGo,其背后充满着软件、算法和数据,它下围棋是一种人格化的体现,然而其本身并没有“机器人”这个硬件形式。人工智能的概念很宽泛,现在根据人工智能的实力将它分成三大类。(1)弱人工智能(Artificial Narrow Intelligence,ANI)弱人工智能是擅长于单个方面的人工智能。比如战胜世界围棋冠军的人工智能Al-phaGo,它只会下围棋,如果你让他辨识一下猫和狗,它就不知道怎么做了。我们现在实现的几乎全是弱人工智能。(2)强人工智能(Artificial General Intelligence,AGI)这是类似人类级别的人工智能。强人工智能是指在各方面都能和人类比肩的人工智能,人类能干的脑力活,它都能干。创造强人工智能比创造弱人工智能难得多,我们现在还做不到。Linda Gottfredson教授把智能定义为“一种宽泛的心理能力,能够进行思考、计划、解决问题、抽象思维、理解复杂理念、快速学习和从经验中学习等操作。”强人工智能在进行这些操作时应该和人类一样得心应手。(3)超人工智能(Artificial Superintelligence,ASI)牛津哲学家、知名人工智能思想家Nick Bostrom把超级智能定义为“在几乎所有领域都比很聪明的人类大脑都聪明很多,包括科学创新、通识和社交技能。”超人工智能可以是各方面都比人类强一点,也可以是各方面都比人类强万亿倍的。我们现在处于一个充满弱人工智能的世界,比如垃圾邮件分类系统,是一个可以帮助我们筛选垃圾邮件的弱人工智能;Google翻译是一个可以帮助我们翻译英文的弱人工智能;AlphaGo是一个可以战胜世界围棋冠军的弱人工智能,等等。这些弱人工智能算法不断地加强创新,每一个弱人工智能的创新,都是在给通往强人工智能和超人工智能的旅途添砖加瓦。正如人工智能科学家Aaron Saenz所说,现在的弱人工智能就像地球早期软泥中的氨基酸,可能突然之间就形成了生命。简单来说,数据挖掘就是在大型的数据库中发现有用的信息,并加以分析的过程,也就是人们所说的KDD(knowledge discovery in database)。一个数据的处理过程,就是从输入数据开始,对数据进行预处理,包括特征选择、规范化、降低维数、数据提升等,然后进行数据的分析和挖掘,再经过处理,例如模式识别、可视化等,很后形成可用信息的全过程。所以说数据挖掘只是一种概念,即从数据中挖掘到有意义的信息,从大量的数据中寻找数据之间的特性。机器学习算是实现人工智能的一种途径,它和数据挖掘有一定的相似性,也是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。对比于数据挖掘从大数据之间找相互特性而言,机器学习更加注重算法的设计,让计算机能够自动地从数据中“学习”规律,并利用规律对未知数据进行预测。因为学习算法涉及了大量的统计学理论,与统计推断联系尤为紧密,所以也被称为统计学习方法。机器学习可以分为以下五个大类:(1)监督学习:从给定的训练数据集中学习出一个函数,当新的数据到来时,可以根据这个函数预测结果。监督学习的训练集要求是输入和输出,也可以说是特征和目标。训练集中的目标是由人标注的。常见的监督学习算法包括回归与分类。(2)无监督学习:无监督学习与监督学习相比,训练集没有人为标注的结果。常见的无监督学习算法有聚类等。(3)半监督学习:这是一种介于监督学习与无监督学习之间的方法。(4)迁移学习:将已经训练好的模型参数迁移到新的模型来帮助新模型训练数据集。(5)增强学习:通过观察周围环境来学习。每个动作都会对环境有所影响,学习对象根据观察到的周围环境的反馈来做出判断。传统的机器学习算法有以下几种:线性回归模型、logistic回归模型、k-临近算法、决策树、随机森林、支持向量机、人工神经网络、EM算法、概率图模型等。深度学习的很初级版本是人工神经网络,这是机器学习的一个分支,其试图模拟人脑,通过更加复杂的结构自动提取数据特征。在深度学习发展起来之前,机器学习虽然发展了几十年,但还是存在很多人工智能没法良好解决的问题,例如图像识别、语音识别、自然语言处理等,而深度学习的出现则很好地解决了这些领域的一部分问题。正因为大数据的兴起和高性能GPU的出现,使得更加复杂的网络模型成为可能,这也促使深度学习有了进一步的发展。1.深度学习的历史首先通过一张图来概括一下深度学习的历史浪潮,如图1.1所示。

赞(0)
未经允许不得转载:小苏子图书 » 深度学习入门之PyTorch 作者:廖星宇