PyTorch深度學(xué)習(xí)與企業(yè)級(jí)項(xiàng)目實(shí)戰(zhàn)

第1章  人工智能、機(jī)器學(xué)習(xí)與深度學(xué)習(xí)簡(jiǎn)介 1
1.1  什么是人工智能 1
1.2  人工智能的本質(zhì) 2
1.3  人工智能相關(guān)專業(yè)人才就業(yè)前景 4
1.4  機(jī)器學(xué)習(xí)和深度學(xué)習(xí) 5
1.4.1  什么是機(jī)器學(xué)習(xí) 5
1.4.2  深度學(xué)習(xí)獨(dú)領(lǐng)風(fēng)騷 6
1.4.3  機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的關(guān)系和對(duì)比 7
1.5  小白如何學(xué)深度學(xué)習(xí) 10
1.5.1  關(guān)于兩個(gè)“放棄” 10
1.5.2  關(guān)于三個(gè)“必須” 10
第2章  深度學(xué)習(xí)框架PyTorch開(kāi)發(fā)環(huán)境搭建 12
2.1  PyCharm的安裝和使用技巧 12
2.2  在Windows環(huán)境下安裝CPU版的PyTorch 16
2.3  在Windows環(huán)境下安裝GPU版的PyTorch 18
2.3.1  確認(rèn)顯卡是否支持CUDA 18
2.3.2  安裝CUDA 19
2.3.3  安裝cuDNN 20
2.3.4  安裝GPU版PyTorch 22
第3章  Python數(shù)據(jù)科學(xué)庫(kù) 24
3.1  張量、矩陣和向量的區(qū)別 24
3.2  數(shù)組和矩陣運(yùn)算庫(kù)NumPy 26
3.2.1  列表和數(shù)組的區(qū)別 26
3.2.2  創(chuàng)建數(shù)組的方式 27
3.2.3  NumPy的算術(shù)運(yùn)算 28
3.2.4  數(shù)組變形 30
3.3  數(shù)據(jù)分析處理庫(kù)Pandas 31
3.3.1  Pandas數(shù)據(jù)結(jié)構(gòu)Series 31
3.3.2  Pandas數(shù)據(jù)結(jié)構(gòu)DataFrame 32
3.3.3  Pandas處理CSV文件 34
3.3.4  Pandas數(shù)據(jù)清洗 36
3.4  數(shù)據(jù)可視化庫(kù)Matplotlib介紹 40
第4章  深度學(xué)習(xí)的基本原理 44
4.1  神經(jīng)網(wǎng)絡(luò)原理闡述 44
4.1.1  神經(jīng)元和感知器 44
4.1.2  激活函數(shù) 47
4.1.3  損失函數(shù) 49
4.1.4  梯度下降和學(xué)習(xí)率 49
4.1.5  過(guò)擬合和Dropout 50
4.1.6  神經(jīng)網(wǎng)絡(luò)反向傳播法 52
4.2  卷積神經(jīng)網(wǎng)絡(luò) 52
4.2.1  什么是卷積神經(jīng)網(wǎng)絡(luò) 52
4.2.2  卷積神經(jīng)網(wǎng)絡(luò)詳解 53
4.2.3  卷積神經(jīng)網(wǎng)絡(luò)是如何訓(xùn)練的 56
4.2.4  卷積神經(jīng)網(wǎng)絡(luò)為什么能稱霸圖像識(shí)別領(lǐng)域 57
4.3  卷積神經(jīng)網(wǎng)絡(luò)經(jīng)典模型架構(gòu)簡(jiǎn)介 58
4.3.1  LeNet-5 59
4.3.2  AlexNet 59
4.3.3  VGG 60
4.3.4  GoogLeNet 61
4.3.5  ResNet 62
4.4  常用的模型評(píng)估指標(biāo) 65
第5章  深度學(xué)習(xí)框架PyTorch入門(mén) 71
5.1  Tensor 71
5.1.1  Tensor簡(jiǎn)介 71
5.1.2  使用特定數(shù)據(jù)創(chuàng)建張量 72
5.1.3  使用隨機(jī)數(shù)創(chuàng)建張量 73
5.1.4  張量基本操作 75
5.2  使用GPU加速 76
5.3  自動(dòng)求導(dǎo) 77
5.4  PyTorch神經(jīng)網(wǎng)絡(luò) 79
5.4.1  構(gòu)建神經(jīng)網(wǎng)絡(luò) 79
5.4.2  數(shù)據(jù)的加載和處理 81
5.4.3  模型的保存和加載 82
5.5  PyTorch入門(mén)實(shí)戰(zhàn)：CIFAR-10圖像分類(lèi) 82
第6章  遷移學(xué)習(xí)花朵識(shí)別項(xiàng)目實(shí)戰(zhàn) 90
6.1  遷移學(xué)習(xí)簡(jiǎn)介 90
6.2  什么是預(yù)訓(xùn)練模型 91
6.3  如何使用預(yù)訓(xùn)練模型 92
6.4  使用遷移學(xué)習(xí)技術(shù)實(shí)現(xiàn)花朵識(shí)別 93
6.5  遷移學(xué)結(jié) 99
第7章  垃圾分類(lèi)識(shí)別項(xiàng)目實(shí)戰(zhàn) 100
7.1  垃圾分類(lèi)識(shí)別項(xiàng)目背景 100
7.2  垃圾分類(lèi)背后的技術(shù) 101
7.3  垃圾圖片數(shù)據(jù)集介紹 101
7.4  MnasNet模型介紹 102
7.5  垃圾分類(lèi)識(shí)別項(xiàng)目代碼分析 103
第8章  短期電力負(fù)荷預(yù)測(cè)項(xiàng)目實(shí)戰(zhàn) 109
8.1  電力負(fù)荷預(yù)測(cè)項(xiàng)目背景 109
8.2  電力負(fù)荷預(yù)測(cè)的意義 110
8.3  電力負(fù)荷數(shù)據(jù)的獲取 110
8.4  一維卷積1D-CNN 112
8.5  項(xiàng)目代碼分析 113
第9章  空氣質(zhì)量識(shí)別分類(lèi)與預(yù)測(cè)項(xiàng)目實(shí)戰(zhàn) 119
9.1  空氣質(zhì)量識(shí)別分類(lèi)與預(yù)測(cè)項(xiàng)目背景 119
9.2  主成分分析 120
9.3  聚類(lèi)分析（K-Means） 122
9.4  項(xiàng)目代碼分析 123
第10章  手寫(xiě)數(shù)字識(shí)別項(xiàng)目實(shí)戰(zhàn) 128
10.1  手寫(xiě)數(shù)字識(shí)別項(xiàng)目背景 128
10.2  手寫(xiě)數(shù)字?jǐn)?shù)據(jù)集 128
10.3  LeNet5模型構(gòu)建 129
10.4  模型訓(xùn)練和測(cè)試 131
10.4.1  損失函數(shù) 131
10.4.2  優(yōu)化器 131
10.4.3  超參數(shù)設(shè)置 132
10.4.4  性能評(píng)估 132
10.5  項(xiàng)目完整代碼介紹 133
10.6  項(xiàng)目總結(jié) 137
第11章  人臉識(shí)別及表情識(shí)別實(shí)戰(zhàn) 138
11.1  人臉識(shí)別 138
11.1.1  什么是人臉識(shí)別 138
11.1.2  人臉識(shí)別過(guò)程 139
11.2  人臉識(shí)別項(xiàng)目實(shí)戰(zhàn) 143
11.2.1  人臉檢測(cè) 143
11.2.2  人臉識(shí)別 145
11.3  面部表情識(shí)別項(xiàng)目實(shí)戰(zhàn) 151
第12章  圖像風(fēng)格遷移項(xiàng)目實(shí)戰(zhàn) 157
12.1  圖像風(fēng)格遷移簡(jiǎn)介 157
12.2  使用預(yù)訓(xùn)練的VGG-16模型進(jìn)行圖像風(fēng)格遷移 160
12.2.1  算法思想 160
12.2.2  算法細(xì)節(jié) 161
12.2.3  代碼實(shí)現(xiàn) 163
第13章  基于GAN生成動(dòng)漫人物圖像項(xiàng)目實(shí)戰(zhàn) 170
13.1  什么是生成式對(duì)抗網(wǎng)絡(luò) 170
13.2  生成式對(duì)抗網(wǎng)絡(luò)的算法細(xì)節(jié) 172
13.3  循環(huán)生成對(duì)抗網(wǎng)絡(luò)CycleGAN 174
13.4  基于生成式對(duì)抗網(wǎng)絡(luò)生成動(dòng)漫人物圖像 177
第14章  糖尿病預(yù)測(cè)項(xiàng)目實(shí)戰(zhàn) 183
14.1  糖尿病預(yù)測(cè)項(xiàng)目背景 183
14.2  糖尿病數(shù)據(jù)集介紹 184
14.3  LSTM-CNN模型 187
14.4  實(shí)戰(zhàn)項(xiàng)目代碼分析 189
第15章  基于大語(yǔ)言模型的自然語(yǔ)言處理項(xiàng)目實(shí)戰(zhàn) 194
15.1  自然語(yǔ)言處理Embedding層詳解 194
15.2  Transformer模型簡(jiǎn)介 197
15.3  預(yù)訓(xùn)練語(yǔ)言模型GPT 199
15.3.1  什么是預(yù)訓(xùn)練語(yǔ)言模型 199
15.3.2  GPT-2模型介紹 200
15.3.3  PyTorch-Transformers庫(kù)介紹 201
15.4  基于Transformer模型的謠言檢測(cè)系統(tǒng)的實(shí)現(xiàn) 202
15.4.1  謠言檢測(cè)系統(tǒng)項(xiàng)目背景 202
15.4.2  謠言檢測(cè)系統(tǒng)代碼實(shí)戰(zhàn) 203
15.5  基于GPT2在新聞文本分類(lèi)項(xiàng)目中的實(shí)現(xiàn) 211
15.5.1  新聞文本分類(lèi)項(xiàng)目背景 211
15.5.2  新聞文本分類(lèi)代碼實(shí)戰(zhàn) 212
第16章  猴痘病毒識(shí)別項(xiàng)目實(shí)戰(zhàn) 218
16.1  猴痘病毒識(shí)別項(xiàng)目背景 218
16.2  ResNet101模型 219
16.2.1  殘差塊 219
16.2.2  ResNet101網(wǎng)絡(luò)結(jié)構(gòu) 220
16.3  實(shí)戰(zhàn)項(xiàng)目代碼分析 220
第17章  X光肺部感染識(shí)別項(xiàng)目實(shí)戰(zhàn) 226
17.1  X光肺部感染識(shí)別項(xiàng)目背景 226
17.2  項(xiàng)目所用到的圖像分類(lèi)模型 227
17.3  實(shí)戰(zhàn)項(xiàng)目代碼分析 230
第18章  樂(lè)器聲音音頻識(shí)別項(xiàng)目實(shí)戰(zhàn) 237
18.1  音頻與聲音數(shù)字化 237
18.2  音頻深度學(xué)習(xí) 238
18.3  音頻處理的應(yīng)用場(chǎng)景 240
18.4  實(shí)戰(zhàn)項(xiàng)目代碼分析 242