《神经网络与PyTorch实战》
智能系统与技术丛书
神经网络与PyTorch实战
肖智清 著
PREFACE
前 言
人工智能（Artificial Intelligence，AI）正在对各行各业产生决定性的影响。神经网络（Neutral Network）作为当今人工智能的旗舰模型，将成为各行业从业人员的必备知识。PyTorch作为简单、易用、灵活的人工神经网络库，是学习神经网络的优秀工具。在此诚邀你一起学习PyTorch和神经网络，拥抱人工智能的大时代。
本书特色
本书的目的是成为简单易学的神经网络中文图书，因此将理论和实践有机结合。
* 在理论方面，本书带你从零开始入门神经网络。本书将基于“张量”这一既简单又前沿的概念，讲授必要的数学知识，与你一起轻松掌握深度学习的核心理论。
* 在实践方面，本书带你在Windows系统或是macOS系统中轻松安装新版本的PyTorch开发环境，由浅入深学习PyTorch开发，让你在自己的电脑上轻松实现超酷的人工智能算法与应用。
读者对象
本书面向以下读者：
* 想了解人工智能、机器学习、神经网络、深度学习等热门技术的人士；
* 想运用人工智能、机器学习、神经网络、深度学习解决实际问题的人士。
你也许没有学过编程，或是英语不太好，或是好久没有用数学了，没关系—本书将以简单易懂的方式，给出所有必要的知识。只要你有兴趣，就能轻松快乐地学会神经网络。
本书主要内容
全书逻辑上分为三个部分。
* 第1～2章：感性介绍神经网络的基础知识，并给出一个利用PyTorch搭建神经网络解决实际问题的例子，使你初步了解神经网络和PyTorch；
* 第3～9章：介绍基于PyTorch的科学计算和神经网络搭建，涵盖了几乎所有PyTorch基础知识，涉及了所有神经网络的常用结构，并通过例子使你完全掌握神经网络的原理和应用；
* 第10～11章：介绍生成对抗网络和增强学习，使你了解更多神经网络的实际用法。
代码下载与技术支持
本书的所有代码都可以在http://github.com/zhiqingxiao/pytorch-book上下载。笔者会实时更新代码，保证代码能够在新版本的PyTorch下运行。
在此推荐你加入本书学习交流QQ群698847007，关注微信公众号pytorcher。如果有任何意见、建议或者有通过网络搜索仍不能解决的问题，可以在QQ群里提问、在GitHub上提Issue，或给笔者发邮件，笔者的电子邮箱是xzq.xiaozhiqing@gmail.com。
致谢
在此感谢为本书出版做出贡献的所有工作人员。机械工业出版社华章公司的高婧雅对本书的写作提出了很多建设性意见。同时，还要感谢其他编辑为提升本书质量做出的大量工作，与他们合作是一个愉快的过程。最后，还要感谢我的上司、同事和亲友，特别是我的爸爸、妈妈，他们在本书写作期间给予我极大的支持。
感谢你选择本书。祝你学习快乐！
CONTENTS
目 录
前言
第4章 求解优化问题 43
4.1 梯度及其计算 43
4.1.1 梯度的定义 43
4.1.2 梯度的性质和计算 45
4.1.3 使用PyTorch计算梯度数值 45
4.2 优化算法与torch.optim包 46
4.2.1 梯度下降算法 46
4.2.2 梯度下降算法的缺陷和解决方案 48
4.2.3 各种优化算法 50
4.3 例子：Himmelblau函数的优化 55
4.3.1 Himmelblau函数及可视化 55
4.3.2 求解Himmelblau的最小值 57
4.3.3 求解Himmelblau的局部极大值 59
4.4 本章小结 59
第5章 线性回归 60
5.1 一元线性回归 60
5.1.1 最小二乘法 60
5.1.2 正规方程法 62
5.2 多元线性回归 63
5.3 其他损失情况下的线性回归 63
5.3.1 MSE损失、损失和平滑损失 64
5.3.2 torch.nn子包与损失类 65
5.3.3 使用优化器求解线性回归 66
5.3.4 数据的归一化 68
5.4 例子：世界人口的线性回归 70
5.4.1 从维基百科页面获取世界人口数据 70
5.4.2 对世界人口做最小二乘法线性回归 71
5.4.3 用优化算法实现最小二乘回归 72
5.5 本章小结 74
第6章 线性判决与逻辑回归 75
6.1 线性判决与互熵损失 75
6.1.1 判定问题与准确率 75
6.1.2 线性判决 76
6.1.3 极大似然和互熵损失 77
6.2 逻辑回归 78
6.2.1 expit()函数和logit()函数 78
6.2.2 用优化器实现逻辑回归 80
6.2.3 Newton-Raphson方法 81
6.3 多项逻辑回归 82
6.4 例子：数字图像的识别 84
6.4.1 使用torchvision读取MNIST数据集 84
6.4.2 利用多项逻辑回归识别MNIST数据 86
6.5 例子：股票成交量预测 88
6.5.1 股票数据的读取和可视化 88
6.5.2 成交量变化方向预测 89
6.6 本章小结 91
第7章 全连接神经网络 92
7.1 前馈神经网络 92
7.1.1 前馈神经网络的定义 92
7.1.2 使用torch.nn.Sequential类搭建前馈神经网络 93
7.1.3 权重的确定与反向传播 94
7.2 全连接层和全连接神经网络 95
7.3 非线性激活 96
7.3.1 逐元素激活 97
7.3.2 非逐元素激活 101
7.4 网络结构的选择 102
7.4.1 欠拟合和过拟合 102
7.4.2 训练集、验证集和测试集 103
7.5 例子：基于全连接网络的非线性回归 105
7.5.1 数据的生成和数据集分割 105
7.5.2 确定网络结构并训练网络 106
7.5.3 测试性能 108
7.6 本章小结 109
第8章 卷积神经网络 110
8.1 卷积层 110
8.1.1 序列的互相关和卷积 110
8.1.2 一维张量的互相关 114
8.1.3 一维张量的转置卷积 117
8.1.4 高维张量的互相关和转置卷积 121
8.1.5 torch.nn包里的卷积层 121
8.2 池化层、视觉层和补全层 123
8.2.1 张量的池化 124
8.2.2 张量的反池化 125
8.2.3 torch.nn包里的池化层 126
8.2.4 张量的上采样 128
8.2.5 torch.nn包里的视觉层 130
8.2.6 张量的补全运算 131
8.2.7 torch.nn包里的补全层 131
8.3 例子：MNIST图片分类的改进 132
8.3.1 搭建卷积神经网络 133
8.3.2 卷积神经网络的训练和测试 135
8.4 本章小结 137
第9章 循环神经网络 138
9.1 神经网络的循环结构 138
9.1.1 单向单层循环结构 138
9.1.2 多层循环结构 139
9.1.3 双向循环结构 140
9.2 循环神经网络中的循环单元 141
9.2.1 基本循环神经元 141
9.2.2 长短期记忆单元 141
9.2.3 门控循环单元 144
9.3 循环神经网络的实现 145
9.3.1 torch.nn子包中的循环单元类 145
9.3.2 torch.nn子包中的循环神经网络类 146
9.4 例子：人均GDP的预测 147
9.4.1 使用pandas-datareader读取世界银行数据库 147
9.4.2 搭建LSTM预测模型 148
9.4.3 网络的训练和使用 149
9.5 本章小结 151
第10章 生成对抗网络 152
10.1 生成对抗网络的原理 152
10.1.1 例说生成对抗 152
10.1.2 生成对抗网络的结构 153
10.2 用生成对抗网络生成图像 154
10.2.1 深度卷积生成对抗网络 154
10.2.2 规范化层 156
10.2.3 网络权重值的初始化 159
10.3 例子：CIFAR-10图像的生成 161
10.3.1 CIFAR-10数据集 161
10.3.2 搭建生成网络和鉴别网络 162
10.3.3 网络的训练和使用 165
10.4 本章小结 167
第11章 强化学习 168
11.1 初识强化学习 168
11.1.1 例说强化学习 168
11.1.2 强化学习的分类 169
11.2 Markov决策过程及其算法 170
11.2.1 Markov决策过程 170
11.2.2 最优策略的性质和求解 171
11.2.3 时序差分更新算法 173
11.3 例子：车杆游戏的游戏AI开发 174
11.3.1 游戏环境及其使用方法 174
11.3.2 游戏AI和深度Q网络的设计 177
11.3.3 深度Q网络的训练 177
11.3.4 游戏AI的使用 180
11.4 本章小结 180
附录A 开发环境的安装和使用 181
附录B Python编程基础 195
- 点赞
- 收藏
- 关注作者
评论（0）