PyTorch深度學習與企業級項目實戰

目    錄

第1章  人工智能、機器學習與深度學習簡介 1

1.1  什麽是人工智能 1

1.2  人工智能的本質 2

1.3  人工智能相關專業人才就業前景 4

1.4  機器學習和深度學習 5

1.4.1  什麽是機器學習 5

1.4.2  深度學習獨領風騷 6

1.4.3  機器學習和深度學習的關系和對比 7

1.5  小白如何學深度學習 10

1.5.1  關於兩個“放棄” 10

1.5.2  關於三個“必須” 10

第2章  深度學習框架PyTorch開發環境搭建 12

2.1  PyCharm的安裝和使用技巧 12

2.2  在Windows環境下安裝CPU版的PyTorch 16

2.3  在Windows環境下安裝GPU版的PyTorch 18

2.3.1  確認顯卡是否支持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數據科學庫 24

3.1  張量、矩陣和向量的區別 24

3.2  數組和矩陣運算庫NumPy 26

3.2.1  列表和數組的區別 26

3.2.2  創建數組的方式 27

3.2.3  NumPy的算術運算 28

3.2.4  數組變形 30

3.3  數據分析處理庫Pandas 31

3.3.1  Pandas數據結構Series 31

3.3.2  Pandas數據結構DataFrame 32

3.3.3  Pandas處理CSV文件 34

3.3.4  Pandas數據清洗 36

3.4  數據可視化庫Matplotlib介紹 40

第4章  深度學習的基本原理 44

4.1  神經網絡原理闡述 44

4.1.1  神經元和感知器 44

4.1.2  激活函數 47

4.1.3  損失函數 49

4.1.4  梯度下降和學習率 49

4.1.5  過擬合和Dropout 50

4.1.6  神經網絡反向傳播法 52

4.2  捲積神經網絡 52

4.2.1  什麽是捲積神經網絡 52

4.2.2  捲積神經網絡詳解 53

4.2.3  捲積神經網絡是如何訓練的 56

4.2.4  捲積神經網絡為什麽能稱霸圖像識別領域 57

4.3  捲積神經網絡經典模型架構簡介 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  常用的模型評估指標 65

第5章  深度學習框架PyTorch入門 71

5.1  Tensor 71

5.1.1  Tensor簡介 71

5.1.2  使用特定數據創建張量 72

5.1.3  使用隨機數創建張量 73

5.1.4  張量基本操作 75

5.2  使用GPU加速 76

5.3  自動求導 77

5.4  PyTorch神經網絡 79

5.4.1  構建神經網絡 79

5.4.2  數據的加載和處理 81

5.4.3  模型的保存和加載 82

5.5  PyTorch入門實戰：CIFAR-10圖像分類 82

第6章  遷移學習花朵識別項目實戰 90

6.1  遷移學習簡介 90

6.2  什麽是預訓練模型 91

6.3  如何使用預訓練模型 92

6.4  使用遷移學習技術實現花朵識別 93

6.5  遷移學習總結 99

第7章  垃圾分類識別項目實戰 100

7.1  垃圾分類識別項目背景 100

7.2  垃圾分類背後的技術 101

7.3  垃圾圖片數據集介紹 101

7.4  MnasNet模型介紹 102

7.5  垃圾分類識別項目代碼分析 103

第8章  短期電力負荷預測項目實戰 109

8.1  電力負荷預測項目背景 109

8.2  電力負荷預測的意義 110

8.3  電力負荷數據的獲取 110

8.4  一維捲積1D-CNN 112

8.5  項目代碼分析 113

第9章  空氣質量識別分類與預測項目實戰 119

9.1  空氣質量識別分類與預測項目背景 119

9.2  主成分分析 120

9.3  聚類分析（K-Means） 122

9.4  項目代碼分析 123

第10章  手寫數字識別項目實戰 128

10.1  手寫數字識別項目背景 128

10.2  手寫數字數據集 128

10.3  LeNet5模型構建 129

10.4  模型訓練和測試 131

10.4.1  損失函數 131

10.4.2  優化器 131

10.4.3  超參數設置 132

10.4.4  性能評估 132

10.5  項目完整代碼介紹 133

10.6  項目總結 137

第11章  人臉識別及表情識別實戰 138

11.1  人臉識別 138

11.1.1  什麽是人臉識別 138

11.1.2  人臉識別過程 139

11.2  人臉識別項目實戰 143

11.2.1  人臉檢測 143

11.2.2  人臉識別 145

11.3  面部表情識別項目實戰 151

第12章  圖像風格遷移項目實戰 157

12.1  圖像風格遷移簡介 157

12.2  使用預訓練的VGG-16模型進行圖像風格遷移 160

12.2.1  算法思想 160

12.2.2  算法細節 161

12.2.3  代碼實現 163

第13章  基於GAN生成動漫人物圖像項目實戰 170

13.1  什麽是生成式對抗網絡 170

13.2  生成式對抗網絡的算法細節 172

13.3  循環生成對抗網絡CycleGAN 174

13.4  基於生成式對抗網絡生成動漫人物圖像 177

第14章  糖尿病預測項目實戰 183

14.1  糖尿病預測項目背景 183

14.2  糖尿病數據集介紹 184

14.3  LSTM-CNN模型 187

14.4  實戰項目代碼分析 189

 

第15章  基於大語言模型的自然語言處理項目實戰 194

15.1  自然語言處理Embedding層詳解 194

15.2  Transformer模型簡介 197

15.3  預訓練語言模型GPT 199

15.3.1  什麽是預訓練語言模型 199

15.3.2  GPT-2模型介紹 200

15.3.3  PyTorch-Transformers庫介紹 201

15.4  基於Transformer模型的謠言檢測系統的實現 202

15.4.1  謠言檢測系統項目背景 202

15.4.2  謠言檢測系統代碼實戰 203

15.5  基於GPT2在新聞文本分類項目中的實現 211

15.5.1  新聞文本分類項目背景 211

15.5.2  新聞文本分類代碼實戰 212

第16章  猴痘病毒識別項目實戰 218

16.1  猴痘病毒識別項目背景 218

16.2  ResNet101模型 219

16.2.1  殘差塊 219

16.2.2  ResNet101網絡結構 220

16.3  實戰項目代碼分析 220

第17章  X光肺部感染識別項目實戰 226

17.1  X光肺部感染識別項目背景 226

17.2  項目所用到的圖像分類模型 227

17.3  實戰項目代碼分析 230

第18章  樂器聲音音頻識別項目實戰 237

18.1  音頻與聲音數字化 237

18.2  音頻深度學習 238

18.3  音頻處理的應用場景 240

18.4  實戰項目代碼分析 242