我用夸克网盘分享了「深度学习入门之PyTorch.epub」，点击链接即可保存。打开「夸克APP」在线查看，支持多种文档格式转换。

内容简介

《深度学习入门之PyTorch》深度学习如今已经成为科技领域最炙手可热的技术，在《深度学习入门之PyTorch》中，我们将帮助你入门深度学习。《深度学习入门之PyTorch》将从机器学习和深度学习的基础理论入手，从零开始学习 PyTorch，了解 PyTorch 基础，以及如何用 PyTorch 框架搭建模型。通过阅读《深度学习入门之PyTorch》，你将学到机器学习中的线性回归和 Logistic 回归、深度学习的优化方法、多层全连接神经网络、卷积神经网络、循环神经网络，以及生成对抗网络，最后通过实战了解深度学习前沿的研究成果，以及 PyTorch 在实际项目中的应用。《深度学习入门之PyTorch》将理论和代码相结合，帮助读者更好地入门深度学习，适合任何对深度学习感兴趣的人阅读。

作者简介

廖星宇，目前就读于中国科学技术大学应用数学系，获得国家一等奖学金。在个人博客、知乎等平台上发布多篇关于深度学习的文章，具有一定的阅读量和人气。

网友热评

企鹅啊啊啊: 没买的别买了。。。。 不如网上博客写的好，流水账一般的。。。不如看文档。。。 chat_shi: 适合从零学习pytorch的人。挺好的。打分有点低啊。 欢子: 如果对PyTorch完全不懂，而且对深度学习了解一些，作为PyTorch入门书还是不错的。 书中代码是过时的，但对应的github代码是OK的，Notebook做得还不错，可以结合PyTorch的官网tutorial一起看看。 个人笔记：https://github.com/huankiki/DataProcBeginner/tree/master/deep_learning_with_pytorch_note

图书目录

第1章深度学习介绍1 1.1人工智能1 1.2数据挖掘、机器学习与深度学习2 1.2.1数据挖掘3 1.2.2机器学习3 1.2.3深度学习4 1.3学习资源与建议8 第2章深度学习框架11 2.1深度学习框架介绍.11 2.2PyTorch介绍.13 2.2.1什么是PyTorch.13 2.2.2为何要使用PyTorch14 2.3配置PyTorch深度学习环境15 2.3.1操作系统的选择.15 2.3.2Python开发环境的安装16 2.3.3PyTorch的安装.18 第3章多层全连接神经网络24 3.1热身：PyTorch基础24 3.1.1Tensor（张量）.24 3.1.2Variable（变量）26 3.1.3Dataset（数据集）28 3.1.4nn.Module（模组）29 3.1.5torch.optim（优化）30 3.1.6模型的保存和加载31 3.2线性模型32 3.2.1问题介绍32 3.2.2一维线性回归33 3.2.3多维线性回归34 3.2.4一维线性回归的代码实现.35 3.2.5多项式回归38 3.3分类问题42 3.3.1问题介绍42 3.3.2Logistic起源42 3.3.3Logistic分布42 3.3.4二分类的Logistic回归43 3.3.5模型的参数估计.44 3.3.6Logistic回归的代码实现45 3.4简单的多层全连接前向网络.49 3.4.1模拟神经元49 3.4.2单层神经网络的分类器50 3.4.3激活函数51 3.4.4神经网络的结构.54 3.4.5模型的表示能力与容量55 3.5深度学习的基石：反向传播算法57 3.5.1链式法则57 3.5.2反向传播算法58 3.5.3Sigmoid函数举例58 3.6各种优化算法的变式59 3.6.1梯度下降法59 3.6.2梯度下降法的变式62 3.7处理数据和训练模型的技巧.64 3.7.1数据预处理64 3.7.2权重初始化66 3.7.3防止过拟合67 3.8多层全连接神经网络实现MNIST手写数字分类69 3.8.1简单的三层全连接神经网络70 3.8.2添加激活函数70 3.8.3添加批标准化71 3.8.4训练网络71 第4章卷积神经网络76 4.1主要任务及起源76 4.2卷积神经网络的原理和结构.77 4.2.1卷积层80 4.2.2池化层84 4.2.3全连接层85 4.2.4卷积神经网络的基本形式.85 4.3PyTorch卷积模块.87 4.3.1卷积层87 4.3.2池化层88 4.3.3提取层结构90 4.3.4如何提取参数及自定义初始化91 4.4卷积神经网络案例分析.92 4.4.1LeNet.93 4.4.2AlexNet94 4.4.3VGGNet95 4.4.4GoogLeNet.98 4.4.5ResNet100 4.5再实现MNIST手写数字分类.103 4.6图像增强的方法105 4.7实现cifar10分类107 第5章循环神经网络111 5.1循环神经网络111 5.1.1问题介绍112 5.1.2循环神经网络的基本结构.112 5.1.3存在的问题115 5.2循环神经网络的变式：LSTM与GRU116 5.2.1LSTM.116 5.2.2GRU.119 5.2.3收敛性问题120 5.3循环神经网络的PyTorch实现122 5.3.1PyTorch的循环网络模块122 5.3.2实例介绍127 5.4自然语言处理的应用131 5.4.1词嵌入131 5.4.2词嵌入的PyTorch实现133 5.4.3NGram模型133 5.4.4单词预测的PyTorch实现134 5.4.5词性判断136 5.4.6词性判断的PyTorch实现137 5.5循环神经网络的更多应用140 5.5.1Manytoone140 5.5.2ManytoMany（shorter）141 5.5.3Seq2seq141 5.5.4CNN+RNN.142 第6章生成对抗网络144 6.1生成模型144 6.1.1自动编码器145 6.1.2变分自动编码器.150 6.2生成对抗网络153 6.2.1何为生成对抗网络153 6.2.2生成对抗网络的数学原理.160 6.3ImprovingGAN164 6.3.1WassersteinGAN.164 6.3.2ImprovingWGAN167 6.4应用介绍168 6.4.1ConditionalGAN.168 6.4.2CycleGAN.170 第7章深度学习实战173 7.1实例一——猫狗大战：运用预训练卷积神经网络进行特征提取与预测.173 7.1.1背景介绍174 7.1.2原理分析174 7.1.3代码实现177 7.1.4总结.183 7.2实例二——DeepDream：探索卷积神经网络眼中的世界183 7.2.1原理介绍184 7.2.2预备知识：backward.185 7.2.3代码实现190 7.2.4总结.195 7.3实例三——Neural-Style：使用PyTorch进行风格迁移196 7.3.1背景介绍196 7.3.2原理分析197 7.3.3代码实现199 7.3.4总结.205 7.4实例四——Seq2seq：通过RNN实现简单的NeuralMachineTranslation.205 7.4.1背景介绍206 7.4.2原理分析206 7.4.3代码实现209 7.4.4总结.221