深度學習原理與Pytorch實戰 第2版 強化學習人工智能神經網絡書籍 python動手學深度學習框架書 TransformerBERT圖神經網絡：
技術講解 
編輯推薦
1.基于PyTorch新版本，涵蓋深度學習基礎知識和前沿技術，由淺入深，通俗易懂，適合初學人士的深度學習入門書3.實戰案例豐富有趣，深度學習原理與具體的操作流程相結合4.新增了Transformer、BERT、圖神經網絡等熱門技術的講解5.配有源代碼和導學，讓學習更直觀、更有效。另有付費□□課程。
內容簡介
本書是一本系統介紹深度學習技術及開源框架PyTorch的入門書。書中通過大量案例介紹了PyTorch的使用方法、神經網絡的搭建、常用神經網絡（如卷積神經網絡、循環神經網絡）的實現，以及實用的深度學習技術，包括遷移學習、對抗生成學習、深度強化學習、圖神經網絡等。讀者通過閱讀本書，可以學會構造一個圖像識別器，生成逼真的圖畫，讓機器理解單詞與文本，讓機器作曲，教會機器玩游戲，還可以實現一個簡單的機器翻譯系統。第□版基于PyTorch 1.6.0，對全書代碼進行了全面更新，同時增加了Transformer、BERT、圖神經網絡等熱門深度學習技術的講解，更具實用性和時效性。
目錄
推薦序
前言
作者簡介
□ □章 深度學習簡介 1
1．1 深度學習與人工智能 1
1．□ 深度學□□歷史淵源 □
1．□．1 從感知機到人工神經網絡 3
1．□．□ 深度學□□□ 4
1．□．3 巨頭之間的角逐 5
1．3 深度學□□影響因素 6
1．3．1 大數據 6
1．3．□ 深度網絡架構 7
1．3．3 GPU 11
1．4 深度學習為什么如此成功 11
1．4．1 特征學習 11
1．4．□ 遷移學習 1□
1．5 小結 13
1．6 參考文獻 14
第 □章 PyTorch簡介 15
□．1 PyTorch安裝 15
□．□ 初識PyTorch 15
□．□．1 與Python完美融合 16
□．□．□ 張量計算 16
□．□．3 動態計算圖 □0
□．3 PyTorch實例：預測房價 □7
□．3．1 準備數據 □7
□．3．□ 設計模型 □8
□．3．3 訓練 □9
□．3．4 預測 31
□．3．5 術語匯總 3□
□．4 小結 33
第3章 單車預測器——你的□ □個神經網絡 35
3．1 共享單車的煩惱 35
3．□ 單車預測器1．0 37
3．□．1 人工神經網絡簡介 37
3．□．□ 人工神經元 38
3．□．3 兩個隱含神經元 40
3．□．4 訓練與運行 4□
3．□．5 失敗的神經預測器 4□
3．□．6 過擬合 48
3．3 單車預測器□．0 49
3．3．1 數據的預處理過程 49
3．3．□ 構建神經網絡 5□
3．3．3 測試神經網絡 55
3．4 剖析神經網絡Neu 57
3．5 小結 61
3．6 Q&A 61
第4章 機器也懂感情——中文情緒分類器 63
4．1 神經網絡分類器 64
4．1．1 如何用神經網絡做分類 64
4．1．□ 分類問題的損失函數 66
4．□ 詞袋模型分類器 67
4．□．1 詞袋模型簡介 68
4．□．□ 搭建簡單文本分類器 69
4．3 程序實現 70
4．3．1 數據處理 71
4．3．□ 文本數據向量化 73
4．3．3 劃分數據集 74
4．3．4 建立神經網絡 75
4．4 運行結果 78
4．5 剖析神經網絡 79
4．6 小結 83
4．7 Q&A 83
第5章 手寫數字識別器——認識卷積神經網絡 84
5．1 什么是卷積神經網絡 85
5．1．1 手寫數字識別任務的卷積神經網絡及運算過程 86
5．1．□ 卷積運算 87
5．1．3 池化運算 93
5．1．4 立體卷積核 94
5．1．5 超參數與參數 95
5．1．6 其他說明 96
5．□ 手寫數字識別器 97
5．□．1 數據準備 97
5．□．□ 構建網絡 100
5．□．3 運行模型 10□
5．□．4 測試模型 104
5．3 剖析卷積神經網絡 105
5．3．1 □ □層卷積核與特征圖 105
5．3．□ 第二層卷積核與特征圖 106
5．3．3 卷積神經網絡的健壯性實驗 107
5．4 小結 109
5．5 Q&A 109
5．6 擴展閱讀 109
第6章 手寫數字加法機——遷移學習 110
6．1 什么是遷移學習 111
6．1．1 遷移學□□由來 111
6．1．□ 遷移學□□分類 11□
6．1．3 遷移學□□意義 11□
6．1．4 如何用神經網絡實現遷移學習 113
6．□ 應用案例：遷移學習如何抗擊貧困 115
6．□．1 背景介紹 115
6．□．□ 方法探尋 116
6．□．3 遷移學習方法 116
6．3 螞蟻還是蜜蜂：遷移大型卷積神經網絡 117
6．3．1 任務描述與初步嘗試 118
6．3．□ ResNet與模型遷移 119
6．3．3 代碼實現 1□0
6．3．4 結果分析 1□3
6．3．5 更多的模型與數據 1□5
6．4 手寫數字加法機 1□5
6．4．1 網絡架構 1□5
6．4．□ 代碼實現 1□6
6．4．3 訓練與測試 133
6．4．4 結果 135
6．4．5 大規模實驗 135
6．5 小結 140
6．6 實踐項目：遷移與效率 140
第7章 你自己的Prisma——圖像風格遷移 14□
7．1 什么是風格遷移 14□
7．1．1 什么是風格 14□
7．1．□ 風格遷移的含義 143
7．□ 風格遷移技術發展簡史 144
7．3 神經網絡風格遷移 146
7．3．1 神經網絡風格遷移的優勢 146
7．3．□ 神經網絡風格遷移的基本思想 147
7．3．3 卷積神經網絡的選取 148
7．3．4 內容損失 149
7．3．5 風格損失 149
7．3．6 風格損失原理分析 150
7．3．7 損失函數與優化 153
7．4 神經網絡風格遷移實戰 153
7．4．1 準備工作 153
7．4．□ 建立風格遷移網絡 155
7．4．3 風格遷移訓練 158
7．5 小結 161
7．6 擴展閱讀 161
第8章 人工智能造假術——圖像生成與對抗學習 16□
8．1 反卷積與圖像生成 165
8．1．1 卷積神經網絡回顧 165
8．1．□ 反卷積運算 167
8．1．3 反池化過程 169
8．1．4 反卷積與分數步伐 170
8．1．5 輸出圖像尺寸公式 171
8．1．6 批正則化技術 17□
8．□ 圖像生成實驗1——□小均方誤差模型 173
8．□．1 模型思路 173
8．□．□ 代碼實現 174
8．□．3 運行結果 178
8．3 圖像生成實驗□——生成器—識別器模型 180
8．3．1 生成器—識別器模型的實現 180
8．3．□ 對抗樣本 183
8．4 圖像生成實驗3——GAN 186
8．4．1 GAN的總體架構 187
8．4．□ 程序實現 188
8．4．3 結果展示 191
8．5 小結 193
8．6 Q&A 193
8．7 擴展閱讀 194
第9章 詞匯的星空——神經語言模型與Word□Vec 195
9．1 詞向量技術介紹 195
9．1．1 初識詞向量 195
9．1．□ 傳統編碼方式 196
9．□ NPLM：神經概率語言模型 197
9．□．1 NPLM的基本思想 198
9．□．□ NPLM的運作過程詳解 198
9．□．3 讀取NPLM中的詞向量 □01
9．□．4 NPLM的編碼實現 □0□
9．□．5 運行結果 □05
9．□．6 NPLM的總結與□限 □07
9．3 Word□Vec □07
9．3．1 CBOW模型和Skip-gram模型的結構 □07
9．3．□ 層次歸一化指數函數 □08
9．3．3 負采樣 □09
9．3．4 總結及分析 □10
9．4 Word□Vec的應用 □10
9．4．1 在自己的語料庫上訓練Word□Vec詞向量 □10
9．4．□ 調用現成的詞向量 □1□
9．4．3 女人 □人＝皇后 國王 □14
9．4．4 使用向量的空間位置進行詞對詞翻譯 □16
9．4．5 Word□Vec小結 □17
9．5 小結 □17
9．6 Q&A □18
□ □0章 深度網絡 LSTM作曲機——序列生成模型 □□0
10．1 序列生成問題 □□0
10．□ RNN與LSTM □□1
10．□．1 RNN □□1
10．□．□ LSTM □□7
10．3 簡單01序列的學習問題 □31
10．3．1 RNN的序列學習 □3□
10．3．□ LSTM的序列學習 □41
10．4 LSTM作曲機 □44
10．4．1 MIDI文件 □44
10．4．□ 數據準備 □45
10．4．3 模型結構 □45
10．4．4 代碼實現 □46
10．5 小結 □54
10．6 Q&A □55
10．7 擴展閱讀 □55
□ □1章 神經機器翻譯機——端到端機器翻譯 □56
11．1 機器翻譯簡介 □57
11．1．1 基于規則的機器翻譯技術 □57
11．1．□ 統計機器翻譯 □58
11．1．3 神經機器翻譯 □58
11．1．4 關于Zero-shot翻譯 □59
11．□ 編碼—解碼模型 □59
11．□．1 編碼—解碼模型總體架構 □60
11．□．□ 編碼器 □60
11．□．3 解碼器 □63
11．□．4 損失函數 □67
11．□．5 編碼—解碼模型歸納 □69
11．□．6 編碼—解碼模型的效果 □69
11．3 注意力機制 □70
11．3．1 神經機器翻譯中的注意力 □71
11．3．□ 注意力網絡 □71
11．4 更多改進 □75
11．4．1 GRU的結構 □75
11．4．□ 雙向GRU的應用 □75
11．5 神經機器翻譯機的編碼實現 □76
11．5．1 神經網絡的構建 □80
11．5．□ 神經網絡的訓練 □83
11．5．3 測試神經機器翻譯機 □86
11．5．4 結果展示 □87
11．6 更多改進 □91
11．6．1 集束搜索算法 □91
11．6．□ BLEU：對翻譯結果的評估方法 □93
11．6．3 對編碼—解碼模型的改進 □94
11．7 廣義的翻譯 □95
11．7．1 廣義翻譯機 □95
11．7．□ 廣義翻譯的應用場景 □95
11．8 Q&A □97
□ □□章 更強的機器翻譯模型——Transformer □99
1□．1 Transformer概述 □99
1□．1．1 編碼—解碼模型回顧 300
1□．1．□ Transformer全景概覽 300
1□．1．3 神奇的自注意力 301
1□．□ Atoken旅行記 304
1□．□．1 奇怪的序號牌 304
1□．□．□ 分身之門 305
1□．□．3 新朋友 306
1□．3 Transformer部件詳解 306
1□．3．1 詞嵌入與位置嵌入 306
1□．3．□ 自注意力模塊計算詳解 307
1□．3．3 自注意力層的矩陣計算 309
1□．3．4 殘差連接與層歸一化 310
1□．3．5 逐點計算的前向網絡層 311
1□．3．6 解碼器中的自注意力 311
1□．3．7 解碼器的輸出層 31□
1□．4 動手訓練一個Transformer翻譯模型 313
1□．4．1 翻譯模型中輸入單位的粒度 313
1□．4．□ 模型定義 313
1□．4．3 模型訓練 318
1□．4．4 Transformer相關開源庫 319
1□．5 小結 319
□ □3章 學習跨任務的語言知識——預訓練語言模型 3□0
13．1 語言模型簡要回顧 3□0
13．□ 預訓練Transformer詳解 3□□
13．□．1 深入了解GPT 3□3
13．□．□ 深入了解BERT 3□4
13．□．3 模型微調 3□6
13．□．4 模型表現 3□7
13．3 單句分類：BERT句子分類實戰 3□8
13．4 后BERT時代 334
13．5 小結 334
□ □4章 人體姿態識別——圖網絡模型 335
14．1 圖網絡及圖論基礎 335
14．1．1 圖的基本概念 335
14．1．□ 什么是圖網絡 337
14．1．3 圖網絡的基本任務和應用場景 338
14．□ 圖卷積網絡 338
14．□．1 GCN的工作原理 338
14．□．□ 打開GCN的黑箱 340
14．□．3 從社團劃分任務來理解GCN 341
14．3 實戰：使用GCN識別人體姿態 344
14．3．1 數據來源與預處理 345
14．3．□ 代碼實現 346
14．4 小結 350
□ □5章 AI游戲高手——深度強化學習 351
15．1 強化學習簡介 35□
15．1．1 強化學□□要素 35□
15．1．□ 強化學□□應用場景 353
15．1．3 強化學□□分類 354
15．□ 深度Q學習算法 355
15．□．1 Q學習算法 356
15．□．□ DQN算法 357
15．□．3 DQN在雅達利游戲上的表現 359
15．3 DQN玩Flappy Bird的PyTorch實現 361
15．3．1 Flappy Bird的PyGame實現 361
15．3．□ DQN的PyTorch實現 368
15．4 小結 377
15．5 通用人工智能還有多遠 378
15．6 Q&A 379
15．7 擴展閱讀 380
作者簡介
集智俱樂部（Swarma Club）成立于□003年，是一個從事學術研究、享受科學樂趣的探索者團體，也是國內致力于研究人工智能、復雜系統的科學社區之一，倡導以平等開放的態度、科學實證的精神，進行跨學科的研究與交流，力圖搭建一個中國的“沒有圍墻的□□□”。目前已出版書籍有《科學的□□：漫談人工智能》《走近□050：注意力、互聯網與人工智能》《NetLogo多主體建模入門》，譯作有《深度思考：人工智能的終點與人類創造力的起點》。
