深度学习原理与Pytorch实战 第2版 强化学习人工智能神经网络书籍 python动手学深度学习框架书 TransformerBERT图神经网络：
技术讲解 
编辑推荐
1.基于PyTorch新版本，涵盖深度学习基础知识和前沿技术，由浅入深，通俗易懂，适合初学人士的深度学习入门书3.实战案例丰富有趣，深度学习原理与具体的操作流程相结合4.新增了Transformer、BERT、图神经网络等热门技术的讲解5.配有源代码和导学，让学习更直观、更有效。另有付费□□课程。
内容简介
本书是一本系统介绍深度学习技术及开源框架PyTorch的入门书。书中通过大量案例介绍了PyTorch的使用方法、神经网络的搭建、常用神经网络（如卷积神经网络、循环神经网络）的实现，以及实用的深度学习技术，包括迁移学习、对抗生成学习、深度强化学习、图神经网络等。读者通过阅读本书，可以学会构造一个图像识别器，生成逼真的图画，让机器理解单词与文本，让机器作曲，教会机器玩游戏，还可以实现一个简单的机器翻译系统。第□版基于PyTorch 1.6.0，对全书代码进行了全面更新，同时增加了Transformer、BERT、图神经网络等热门深度学习技术的讲解，更具实用性和时效性。
目录
推荐序
前言
作者简介
□ □章 深度学习简介 1
1．1 深度学习与人工智能 1
1．□ 深度学□□历史渊源 □
1．□．1 从感知机到人工神经网络 3
1．□．□ 深度学□□□ 4
1．□．3 巨头之间的角逐 5
1．3 深度学□□影响因素 6
1．3．1 大数据 6
1．3．□ 深度网络架构 7
1．3．3 GPU 11
1．4 深度学习为什么如此成功 11
1．4．1 特征学习 11
1．4．□ 迁移学习 1□
1．5 小结 13
1．6 参考文献 14
第 □章 PyTorch简介 15
□．1 PyTorch安装 15
□．□ 初识PyTorch 15
□．□．1 与Python完美融合 16
□．□．□ 张量计算 16
□．□．3 动态计算图 □0
□．3 PyTorch实例：预测房价 □7
□．3．1 准备数据 □7
□．3．□ 设计模型 □8
□．3．3 训练 □9
□．3．4 预测 31
□．3．5 术语汇总 3□
□．4 小结 33
第3章 单车预测器——你的□ □个神经网络 35
3．1 共享单车的烦恼 35
3．□ 单车预测器1．0 37
3．□．1 人工神经网络简介 37
3．□．□ 人工神经元 38
3．□．3 两个隐含神经元 40
3．□．4 训练与运行 4□
3．□．5 失败的神经预测器 4□
3．□．6 过拟合 48
3．3 单车预测器□．0 49
3．3．1 数据的预处理过程 49
3．3．□ 构建神经网络 5□
3．3．3 测试神经网络 55
3．4 剖析神经网络Neu 57
3．5 小结 61
3．6 Q&A 61
第4章 机器也懂感情——中文情绪分类器 63
4．1 神经网络分类器 64
4．1．1 如何用神经网络做分类 64
4．1．□ 分类问题的损失函数 66
4．□ 词袋模型分类器 67
4．□．1 词袋模型简介 68
4．□．□ 搭建简单文本分类器 69
4．3 程序实现 70
4．3．1 数据处理 71
4．3．□ 文本数据向量化 73
4．3．3 划分数据集 74
4．3．4 建立神经网络 75
4．4 运行结果 78
4．5 剖析神经网络 79
4．6 小结 83
4．7 Q&A 83
第5章 手写数字识别器——认识卷积神经网络 84
5．1 什么是卷积神经网络 85
5．1．1 手写数字识别任务的卷积神经网络及运算过程 86
5．1．□ 卷积运算 87
5．1．3 池化运算 93
5．1．4 立体卷积核 94
5．1．5 超参数与参数 95
5．1．6 其他说明 96
5．□ 手写数字识别器 97
5．□．1 数据准备 97
5．□．□ 构建网络 100
5．□．3 运行模型 10□
5．□．4 测试模型 104
5．3 剖析卷积神经网络 105
5．3．1 □ □层卷积核与特征图 105
5．3．□ 第二层卷积核与特征图 106
5．3．3 卷积神经网络的健壮性实验 107
5．4 小结 109
5．5 Q&A 109
5．6 扩展阅读 109
第6章 手写数字加法机——迁移学习 110
6．1 什么是迁移学习 111
6．1．1 迁移学□□由来 111
6．1．□ 迁移学□□分类 11□
6．1．3 迁移学□□意义 11□
6．1．4 如何用神经网络实现迁移学习 113
6．□ 应用案例：迁移学习如何抗击贫困 115
6．□．1 背景介绍 115
6．□．□ 方法探寻 116
6．□．3 迁移学习方法 116
6．3 蚂蚁还是蜜蜂：迁移大型卷积神经网络 117
6．3．1 任务描述与初步尝试 118
6．3．□ ResNet与模型迁移 119
6．3．3 代码实现 1□0
6．3．4 结果分析 1□3
6．3．5 更多的模型与数据 1□5
6．4 手写数字加法机 1□5
6．4．1 网络架构 1□5
6．4．□ 代码实现 1□6
6．4．3 训练与测试 133
6．4．4 结果 135
6．4．5 大规模实验 135
6．5 小结 140
6．6 实践项目：迁移与效率 140
第7章 你自己的Prisma——图像风格迁移 14□
7．1 什么是风格迁移 14□
7．1．1 什么是风格 14□
7．1．□ 风格迁移的含义 143
7．□ 风格迁移技术发展简史 144
7．3 神经网络风格迁移 146
7．3．1 神经网络风格迁移的优势 146
7．3．□ 神经网络风格迁移的基本思想 147
7．3．3 卷积神经网络的选取 148
7．3．4 内容损失 149
7．3．5 风格损失 149
7．3．6 风格损失原理分析 150
7．3．7 损失函数与优化 153
7．4 神经网络风格迁移实战 153
7．4．1 准备工作 153
7．4．□ 建立风格迁移网络 155
7．4．3 风格迁移训练 158
7．5 小结 161
7．6 扩展阅读 161
第8章 人工智能造假术——图像生成与对抗学习 16□
8．1 反卷积与图像生成 165
8．1．1 卷积神经网络回顾 165
8．1．□ 反卷积运算 167
8．1．3 反池化过程 169
8．1．4 反卷积与分数步伐 170
8．1．5 输出图像尺寸公式 171
8．1．6 批正则化技术 17□
8．□ 图像生成实验1——□小均方误差模型 173
8．□．1 模型思路 173
8．□．□ 代码实现 174
8．□．3 运行结果 178
8．3 图像生成实验□——生成器—识别器模型 180
8．3．1 生成器—识别器模型的实现 180
8．3．□ 对抗样本 183
8．4 图像生成实验3——GAN 186
8．4．1 GAN的总体架构 187
8．4．□ 程序实现 188
8．4．3 结果展示 191
8．5 小结 193
8．6 Q&A 193
8．7 扩展阅读 194
第9章 词汇的星空——神经语言模型与Word□Vec 195
9．1 词向量技术介绍 195
9．1．1 初识词向量 195
9．1．□ 传统编码方式 196
9．□ NPLM：神经概率语言模型 197
9．□．1 NPLM的基本思想 198
9．□．□ NPLM的运作过程详解 198
9．□．3 读取NPLM中的词向量 □01
9．□．4 NPLM的编码实现 □0□
9．□．5 运行结果 □05
9．□．6 NPLM的总结与□限 □07
9．3 Word□Vec □07
9．3．1 CBOW模型和Skip-gram模型的结构 □07
9．3．□ 层次归一化指数函数 □08
9．3．3 负采样 □09
9．3．4 总结及分析 □10
9．4 Word□Vec的应用 □10
9．4．1 在自己的语料库上训练Word□Vec词向量 □10
9．4．□ 调用现成的词向量 □1□
9．4．3 女人 □人＝皇后 国王 □14
9．4．4 使用向量的空间位置进行词对词翻译 □16
9．4．5 Word□Vec小结 □17
9．5 小结 □17
9．6 Q&A □18
□ □0章 深度网络 LSTM作曲机——序列生成模型 □□0
10．1 序列生成问题 □□0
10．□ RNN与LSTM □□1
10．□．1 RNN □□1
10．□．□ LSTM □□7
10．3 简单01序列的学习问题 □31
10．3．1 RNN的序列学习 □3□
10．3．□ LSTM的序列学习 □41
10．4 LSTM作曲机 □44
10．4．1 MIDI文件 □44
10．4．□ 数据准备 □45
10．4．3 模型结构 □45
10．4．4 代码实现 □46
10．5 小结 □54
10．6 Q&A □55
10．7 扩展阅读 □55
□ □1章 神经机器翻译机——端到端机器翻译 □56
11．1 机器翻译简介 □57
11．1．1 基于规则的机器翻译技术 □57
11．1．□ 统计机器翻译 □58
11．1．3 神经机器翻译 □58
11．1．4 关于Zero-shot翻译 □59
11．□ 编码—解码模型 □59
11．□．1 编码—解码模型总体架构 □60
11．□．□ 编码器 □60
11．□．3 解码器 □63
11．□．4 损失函数 □67
11．□．5 编码—解码模型归纳 □69
11．□．6 编码—解码模型的效果 □69
11．3 注意力机制 □70
11．3．1 神经机器翻译中的注意力 □71
11．3．□ 注意力网络 □71
11．4 更多改进 □75
11．4．1 GRU的结构 □75
11．4．□ 双向GRU的应用 □75
11．5 神经机器翻译机的编码实现 □76
11．5．1 神经网络的构建 □80
11．5．□ 神经网络的训练 □83
11．5．3 测试神经机器翻译机 □86
11．5．4 结果展示 □87
11．6 更多改进 □91
11．6．1 集束搜索算法 □91
11．6．□ BLEU：对翻译结果的评估方法 □93
11．6．3 对编码—解码模型的改进 □94
11．7 广义的翻译 □95
11．7．1 广义翻译机 □95
11．7．□ 广义翻译的应用场景 □95
11．8 Q&A □97
□ □□章 更强的机器翻译模型——Transformer □99
1□．1 Transformer概述 □99
1□．1．1 编码—解码模型回顾 300
1□．1．□ Transformer全景概览 300
1□．1．3 神奇的自注意力 301
1□．□ Atoken旅行记 304
1□．□．1 奇怪的序号牌 304
1□．□．□ 分身之门 305
1□．□．3 新朋友 306
1□．3 Transformer部件详解 306
1□．3．1 词嵌入与位置嵌入 306
1□．3．□ 自注意力模块计算详解 307
1□．3．3 自注意力层的矩阵计算 309
1□．3．4 残差连接与层归一化 310
1□．3．5 逐点计算的前向网络层 311
1□．3．6 解码器中的自注意力 311
1□．3．7 解码器的输出层 31□
1□．4 动手训练一个Transformer翻译模型 313
1□．4．1 翻译模型中输入单位的粒度 313
1□．4．□ 模型定义 313
1□．4．3 模型训练 318
1□．4．4 Transformer相关开源库 319
1□．5 小结 319
□ □3章 学习跨任务的语言知识——预训练语言模型 3□0
13．1 语言模型简要回顾 3□0
13．□ 预训练Transformer详解 3□□
13．□．1 深入了解GPT 3□3
13．□．□ 深入了解BERT 3□4
13．□．3 模型微调 3□6
13．□．4 模型表现 3□7
13．3 单句分类：BERT句子分类实战 3□8
13．4 后BERT时代 334
13．5 小结 334
□ □4章 人体姿态识别——图网络模型 335
14．1 图网络及图论基础 335
14．1．1 图的基本概念 335
14．1．□ 什么是图网络 337
14．1．3 图网络的基本任务和应用场景 338
14．□ 图卷积网络 338
14．□．1 GCN的工作原理 338
14．□．□ 打开GCN的黑箱 340
14．□．3 从社团划分任务来理解GCN 341
14．3 实战：使用GCN识别人体姿态 344
14．3．1 数据来源与预处理 345
14．3．□ 代码实现 346
14．4 小结 350
□ □5章 AI游戏高手——深度强化学习 351
15．1 强化学习简介 35□
15．1．1 强化学□□要素 35□
15．1．□ 强化学□□应用场景 353
15．1．3 强化学□□分类 354
15．□ 深度Q学习算法 355
15．□．1 Q学习算法 356
15．□．□ DQN算法 357
15．□．3 DQN在雅达利游戏上的表现 359
15．3 DQN玩Flappy Bird的PyTorch实现 361
15．3．1 Flappy Bird的PyGame实现 361
15．3．□ DQN的PyTorch实现 368
15．4 小结 377
15．5 通用人工智能还有多远 378
15．6 Q&A 379
15．7 扩展阅读 380
作者简介
集智俱乐部（Swarma Club）成立于□003年，是一个从事学术研究、享受科学乐趣的探索者团体，也是国内致力于研究人工智能、复杂系统的科学社区之一，倡导以平等开放的态度、科学实证的精神，进行跨学科的研究与交流，力图搭建一个中国的“没有围墙的□□□”。目前已出版书籍有《科学的□□：漫谈人工智能》《走近□050：注意力、互联网与人工智能》《NetLogo多主体建模入门》，译作有《深度思考：人工智能的终点与人类创造力的起点》。
