《PyTorch深度学习应用实战》以统计学/数学为出发点，介绍深度学习的数理基础，讲解PyTorch的主体架构及*新的模块功能，包括常见算法与相关套件的使用方法，例如对象侦测、生成对抗网络、深度伪造、图像中的文字辨识、脸部辨识、BERT/Transformer、聊天机器人、强化学习、自动语音识别、知识图谱等。本书配有大量案例及图表说明，同时以程序设计取代定理证明，缩短学习过程，增加学习乐趣。

第1篇 深度学习导论 第 1 章 深度学习介绍 2 1-1 人工智能历经的三波浪潮 2 1-2 AI的学习地图 3 1-3 TensorFlow对比 PyTorch 5 1-4 机器学习开发流程 6 1-5 开发环境安装 7 1-6 免费云端环境开通 9 第2章 神经网络原理 12 2-1 的数学与统计知识 12 2-2 万般皆自“回归”起 13 2-3 神经网络 16 2-3-1 神经网络概念 17 2-3-2 梯度下降法 19 2-3-3 神经网络权重求解 22 第2篇 PyTorch基础篇 第 3 章 PyTorch 学习路径与主要 功能 25 3-1 PyTorch学习路径 25 3-2 张量运算 26 3-2-1 向量 26 3-2-2 矩阵 30 3-2-3 使用PyTorch 33 3-3 自动微分 36 3-4 神经网络层 43 3-5 总结 50 第 4 章 神经网络实操 51 4-1 撰写**个神经网络程序 51 4-1-1 *简短的程序 51 4-1-2 程序强化 53 4-1-3 试验 62 4-2 模型种类 67 4-2-1 Sequential model 67 4-2-2 Functional API 68 4-3 神经层 71 4-3-1 完全连接层 72 4-3-2 Dropout Layer 72 4-4 激励函数 72 4-5 损失函数 74 4-6 优化器 75 4-7 效能衡量指标 77 4-8 超参数调校 80 第 5 章 PyTorch 进阶功能 86 5-1 数据集及数据加载器 86 5-2 TensorBoard 92 5-2-1 TensorBoard功能 92 5-2-2 测试 94 5-3 模型部署与TorchServe 99 5-3-1 自行开发网页程序 99 5-3-2 TorchServe 100 第 6 章 卷积神经网络 103 6-1 卷积神经网络简介 103 6-2 卷积 104 6-3 各种卷积 107 6-4 池化层 110 6-5 CNN模型实操 111 6-6 影像数据增强 119 6-7 可解释的AI 126 第 7 章 预先训练的模型 134 7-1 预先训练模型的简介 134 7-2 采用完整的模型 137 7-3 采用部分模型 140 7-4 转移学习 144 7-5 Batch Normalization说明 148 第3篇 进阶的影像应用 第 8 章 对象侦测 153 8-1 图像辨识模型的发展 153 8-2 滑动窗口 154 8-3 方向梯度直方图 156 8-4 R-CNN对象侦测 166 8-5 R-CNN改良 170 8-6 YOLO算法简介 176 8-7 YOLO v5测试 179 8-8 YOLO v5模型训练 181 8-9 YOLO v7测试 181 8-10 YOLO模型训练 183 8-11 SSD算法 186 8-12 对象侦测的效能衡量指标 188 8-13 总结 188 第 9 章 进阶的影像应用 189 9-1 语义分割介绍 189 9-2 自动编码器 190 9-3 语义分割实操 202 9-4 实例分割 208 9-5 风格转换—人人都可以是 毕加索 214 9-6 脸部辨识 220 9-6-1 脸部侦测 221 9-6-2 MTCNN算法 225 9-6-3 脸部追踪 230 9-6-4 脸部特征点侦测 235 9-6-5 脸部验证 240 9-7 光学文字辨识 242 9-8 车牌辨识 245 9-9 卷积神经网络的缺点 249 第 10 章 生成对抗网络 251 10-1 生成对抗网络介绍 251 10-2 生成对抗网络种类 253 10-3 DCGAN 256 10-4 Progressive GAN 264 10-5 Conditional GAN 265 10-6 Pix2Pix 269 10-7 CycleGAN 277 10-8 GAN挑战 282 10-9 深度伪造 284 第4篇 自然语言处理 第 11 章 自然语言处理的介绍 287 11-1 词袋与TF-IDF 287 11-2 词汇前置处理 290 11-3 词向量 295 11-4 GloVe模型 309 11-5 中文处理 311 11-6 spaCy套件 313 第 12 章 自然语言处理的算法 318 12-1 循环神经网络 318 12-2 PyTorch 内建文本数据集 330 12-3 长短期记忆网络 335 12-4 自定义数据集 338 12-5 时间序列预测 340 12-6 Gate Recurrent Unit 344 12-7 股价预测 346 12-8 注意力机制 349 12-9 Transformer架构 361 12-9-1 Transformer原理 361 12-9-2 Transformer效能 363 12-10 BERT 364 12-10-1 Masked LM 365 12-10-2 Next Sentence Prediction 365 12-10-3 BERT效能微调 366 12-11 Transformers框架 368 12-11-1 Transformers框架 范例 368 12-11-2 Transformers框架效能 微调 377 12-11-3 Transformers中文 模型 382 12-11-4 后续努力 383 12-12 总结 383 第 13 章 ChatBot 384 13-1 ChatBot类别 384 13-2 ChatBot设计 385 13-3 ChatBot实操 387 13-4 ChatBot工具套件 389 13-4-1 ChatterBot实操 389 13-4-2 chatbotAI实操 392 13-4-3 Rasa实操 395 13-5 Dialogflow实操 398 13-5-1 Dialogflow基本功能 400 13-5-2 履行 405 13-5-3 整合 408 13-6 总结 410 第 14 章 语音识别 411 14-1 语音基本认识 412 14-2 语音前置处理 421 14-3 PyTorch语音前置处理 430 14-4 PyTorch内建语音数据集 439 14-5 语音深度学习应用 443 14-6 自动语音识别 454 14-7 自动语音识别实操 457 14-8 总结 457 第5篇 强化学习 第 15 章 强化学习原理及应用 460 15-1 强化学习的基础 460 15-2 强化学习模型 464 15-3 简单的强化学习架构 466 15-4 Gym套件 476 15-5 Gym扩充功能 484 15-6 动态规划 486 15-7 值循环 495 15-8 蒙特卡罗 497 15-9 时序差分 505 15-9-1 SARSA算法 506 15-9-2 Q-learning算法 510 15-10 井字游戏 513 15-11 连续型状态变量与Deep Q-Learning算法 519 15-12 Actor Critic算法 524 15-13 实际应用案例 525 15-14 其他算法 528 15-15 总结 529 第6篇 图神经网络 第 16 章 图神经网络原理及 应用 531 16-1 图形理论 531 16-2 PyTorch Geometric 541 16-3 图神经网络 545 16-4 总结 551