目 录



第一部分 理论部分
第1章 深度学习简介 2
1.1 深度学习 2
1.2 神经网络的发展 6
1.3 深度学习的应用 7
1.4 常用的数学知识和机器学习算法 8
1.5 PyTorch简介 11
1.5.1 PyTorch介绍 11
1.5.2 使用PyTorch的公司 15
1.5.3 PyTorch API 16
1.5.4 为什么选择Python语言 16
1.5.5 Python语言的特点 16
1.6 常用的机器学习、深度学习开源框架 17
1.7 其他常用的模块库 19
1.8 深度学习常用名词 20
第2章 PyTorch环境安装 33
2.1 基于Ubuntu环境的安装 33
2.1.1 安装Anaconda 35
2.1.2 设置国内镜像 36
2.2 Conda命令安装PyTorch 37
2.3 pip命令安装PyTorch 37
2.4 配置CUDA 38
第3章 PyTorch基础知识 40
3.1 张量 40
3.2 数学操作 43
3.3 数理统计 44
3.4 比较操作 45
第4章 简单案例入门 47
4.1 线性回归 47
4.2 逻辑回归 52
第5章 前馈神经网络 59
5.1 实现前馈神经网络 61
5.2 数据集 68
5.3 卷积层 72
5.4 Functional函数 75
5.5 优化算法 82
5.6 自动求导机制 85
5.7 保存和加载模型 87
5.8 GPU加速运算 87
第6章 PyTorch可视化工具 89
6.1 Visdom介绍 89
6.2 Visdom基本概念 90
6.2.1 Panes（窗格） 90
6.2.2 Environments（环境） 90
6.2.3 State（状态） 91
6.3 安装Visdom 91
6.4 可视化接口 91
6.4.1 Python函数属性提取技巧 92
6.4.2 vis.text 93
6.4.3 vis.image 93
6.4.4 vis.scatter 94
6.4.5 vis.line 95
6.4.6 vis.stem 97
6.4.7 vis.heatmap 97
6.4.8 vis.bar 99
6.4.9 vis.histogram 101
6.4.10 vis.boxplot 102
6.4.11 vis.surf 103
6.4.12 vis.contour 104
6.4.13 vis.mesh 106
6.4.14 vis.svg 107
第二部分 实战部分
第7章 卷积神经网络 110
7.1 卷积层 112
7.2 池化层 114
7.3 经典的卷积神经网络 115
7.3.1 LeNet-5神经网络结构 115
7.3.2 ImageNet-2010网络结构 117
7.3.3 VGGNet网络结构 122
7.3.4 GoodLeNet网络结构 124
7.3.5 ResNet网络结构 126
7.4 卷积神经网络案例 129
7.5 深度残差模型案例 138
第8章 循环神经网络简介 145
8.1 循环神经网络模型结构 146
8.2 不同类型的RNN 147
8.3 LSTM结构具体解析 151
8.4 LSTM的变体 153
8.5 循环神经网络实现 156
8.5.1 循环神经网络案例 156
8.5.2 双向RNN案例 160
第9章 自编码模型 164
第10章 对抗生成网络 172
10.1 DCGAN原理 175
10.2 GAN对抗生成网络实例 180
第11章 Seq2seq自然语言处理 186
11.1 Seq2seq自然语言处理简介 186
11.2 Seq2seq自然语言处理案例 188
第12章 利用PyTorch实现量化交易 204
12.1 线性回归预测股价 205
12.2 前馈神经网络预测股价 209
12.3 递归神经网络预测股价 214