內容大鋼
這是—本基於最新的Python和PyTorch版本撰寫的深度學習著作，旨在幫助讀者低門檻進入深度學習領域，輕鬆掌握深度學習的理論知識和實踐方法，快速實現從入門到進階的轉變。
本書是多位人工智慧技術專家和大數據技術專家多年工作經驗的結晶，從工具使用、技術原理、演算法設計、案例實現等多個維度對深度學習進行了系統的講解。內容選擇上，廣泛涉獵、重點突出、注重實戰；內容安排上，實例切入、由淺入深、循序漸進；表達形式上，深度抽象、化繁為簡、用圖說話。
本書共16章，分為三部分：
第一部分（第1?4章）PyTorch基礎
首先講解了機器學習和數據科學中必然會用到的工具——Numpy的使用方法，然後從多個角度講解了PyTorch的必備基礎知識，最後詳細講解了PyTorch的神經網路工具箱和數據處理工具箱。
第二部分（第5?8章）深度學習基礎
這部分從技術原理、演算法設計、實踐技巧等維度講解了機器學習和深度學習的經典理論、演算法以及提升深度學習模型性能的多種技巧，涵蓋視覺處理、NLP和生成式深度學習等主題。
第三部分（第9?16章）深度學習實踐
這部分從工程實踐的角度講解了深度學習的工程方法和在一些熱門領域的實踐方案，具體包括人臉識別、圖像修復、圖像增強、風格遷移、中英文互譯、生成式對抗網路、對抗攻擊、強化學習、深度強化學習等內容。
目錄
前言
第一部分 PyTorch基礎
第1章 Numpy基礎
1.1 生成Numpy數組
1.1.1 從已有數據中創建數組
1.1.2 利用random模塊生成數組
1.1.3 創建特定形狀的多維數組
1.1.4 利用arange、linspace函數生成數組
1.2 獲取元素
1.3 Numpy的算術運算
1.3.1 對應元素相乘
1.3.2 點積運算
1.4 數組變形
1.4.1 更改數組的形狀
1.4.2 合併數組
1.5 批量處理
1.6 通用函數
1.7 廣播機制
1.8 小結
第2章 PyTorch基礎
2.1 為何選擇PyTorch？
2.2 安裝配置
2.2.1 安裝CPU版PyTorch
2.2.2 安裝GPU版PyTorch
2.3 Jupyter Notebook環境配置
2.4 Numpy與Tensor
2.4.1 Tensor概述
2.4.2 創建Tensor
2.4.3 修改Tensor形狀
2.4.4 索引操作
2.4.5 廣播機制
2.4.6 逐元素操作
2.4.7 歸併操作
2.4.8 比較操作
2.4.9 矩陣操作
2.4.10 PyTorch與Numpy比較
2.5 Tensor與Autograd
2.5.1 自動求導要點
2.5.2 計算圖
2.5.3 標量反向傳播
2.5.4 非標量反向傳播
2.6 使用Numpy實現機器學習
2.7 使用Tensor及Antograd實現機器學習
2.8 使用TensorFlow架構
2.9 小結
第3章 PyTorch神經網路工具箱
3.1 神經網路核心組件
……
第4章 PyTorch數據處理工具箱
第二部分 深度學習基礎
第5章 機器學習基礎
第6章 視覺處理基礎
第7章 自然語言處理基礎
第8章 生成式深度學習
第三部分 深度學習實踐
第9章 人臉檢測與識別
第10章 遷移學習實例
第11章 神經網路機器翻譯實例
第12章 實戰生成式模型
第13章 Caffe2模型遷移實例
第14章 AI新方向：對抗攻擊
第15章 強化學習
第16章 深度強化學習
附錄A &nbs
[