PyTorch深度學習與企業(yè)級項目實戰(zhàn)

第1章  人工智能、機器學習與深度學習簡介 1
1.1  什么是人工智能 1
1.2  人工智能的本質 2
1.3  人工智能相關專業(yè)人才就業(yè)前景 4
1.4  機器學習和深度學習 5
1.4.1  什么是機器學習 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  關于兩個“放棄” 10
1.5.2  關于三個“必須” 10
第2章  深度學習框架PyTorch開發(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)科學庫 24
3.1  張量、矩陣和向量的區(qū)別 24
3.2  數(shù)組和矩陣運算庫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的算術運算 28
3.2.4  數(shù)組變形 30
3.3  數(shù)據(jù)分析處理庫Pandas 31
3.3.1  Pandas數(shù)據(jù)結構Series 31
3.3.2  Pandas數(shù)據(jù)結構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Matplotlib介紹 40
第4章  深度學習的基本原理 44
4.1  神經(jīng)網(wǎng)絡原理闡述 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  梯度下降和學習率 49
4.1.5  過擬合和Dropout 50
4.1.6  神經(jīng)網(wǎng)絡反向傳播法 52
4.2  卷積神經(jīng)網(wǎng)絡 52
4.2.1  什么是卷積神經(jīng)網(wǎng)絡 52
4.2.2  卷積神經(jīng)網(wǎng)絡詳解 53
4.2.3  卷積神經(jīng)網(wǎng)絡是如何訓練的 56
4.2.4  卷積神經(jīng)網(wǎng)絡為什么能稱霸圖像識別領域 57
4.3  卷積神經(jīng)網(wǎng)絡經(jīng)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(shù)據(jù)創(chuàng)建張量 72
5.1.3  使用隨機數(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  自動求導 77
5.4  PyTorch神經(jīng)網(wǎng)絡 79
5.4.1  構建神經(jīng)網(wǎng)絡 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入門實戰(zhàn)：CIFAR-10圖像分類 82
第6章  遷移學習花朵識別項目實戰(zhàn) 90
6.1  遷移學習簡介 90
6.2  什么是預訓練模型 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(xiàn)花朵識別 93
6.5  遷移學結 99
第7章  垃圾分類識別項目實戰(zhàn) 100
7.1  垃圾分類識別項目背景 100
7.2  垃圾分類背后的技術 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  垃圾分類識別項目代碼分析 103
第8章  短期電力負荷預測項目實戰(zhàn) 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(shù)據(jù)的獲取 110
8.4  一維卷積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(zhàn) 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(shù)字識別項目實戰(zhàn) 128
10.1  手寫數(shù)字識別項目背景 128
10.2  手寫數(shù)字數(shù)據(jù)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(shù) 131
10.4.2  優(yōu)化器 131
10.4.3  超參數(shù)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(zhàn) 138
11.1  人臉識別 138
11.1.1  什么是人臉識別 138
11.1.2  人臉識別過程 139
11.2  人臉識別項目實戰(zhàn) 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(zhàn) 151
第12章  圖像風格遷移項目實戰(zhàn) 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(jié) 161
12.2.3  代碼實現(xiàn) 163
第13章  基于GAN生成動漫人物圖像項目實戰(zhàn) 170
13.1  什么是生成式對抗網(wǎng)絡 170
13.2  生成式對抗網(wǎng)絡的算法細節(jié) 172
13.3  循環(huán)生成對抗網(wǎng)絡CycleGAN 174
13.4  基于生成式對抗網(wǎng)絡生成動漫人物圖像 177
第14章  糖尿病預測項目實戰(zhàn) 183
14.1  糖尿病預測項目背景 183
14.2  糖尿病數(shù)據(jù)集介紹 184
14.3  LSTM-CNN模型 187
14.4  實戰(zhàn)項目代碼分析 189
第15章  基于大語言模型的自然語言處理項目實戰(zhàn) 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  什么是預訓練語言模型 199
15.3.2  GPT-2模型介紹 200
15.3.3  PyTorch-Transformers庫介紹 201
15.4  基于Transformer模型的謠言檢測系統(tǒng)的實現(xiàn) 202
15.4.1  謠言檢測系統(tǒng)項目背景 202
15.4.2  謠言檢測系統(tǒng)代碼實戰(zhàn) 203
15.5  基于GPT2在新聞文本分類項目中的實現(xiàn) 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(zhàn) 212
第16章  猴痘病毒識別項目實戰(zhàn) 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(wǎng)絡結構 220
16.3  實戰(zhàn)項目代碼分析 220
第17章  X光肺部感染識別項目實戰(zhàn) 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(zhàn)項目代碼分析 230
第18章  樂器聲音音頻識別項目實戰(zhàn) 237
18.1  音頻與聲音數(shù)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(zhàn)項目代碼分析 242