Learn-Pytorch-And-Become-A-Data-Scientist

《学好Pytorch成为数据科学家》书籍代码

请扫描关注，图书微信公众号。

图书目录

第1章  初识Pytorch	11

• 1.1 AI发展简史 12
  • 1.1.1 神经网络的前世今生 12
  • 1.1.2 深度学习框架对比 13
• 1.2 环境安装 16
  • 1.2.1 Python版本选择及安装 16
  • 1.2.2 安装Pytorch1.2稳定版 18
  • 1.2.3 开发环境IDE 19
• 1.3 Pytorch核心概念 20
  • 1.3.1基本概念 20
  • 1.3.2自动微分 24
  • 1.3.3 Pytorch核心模块 26
• 1.4 实验室小试牛刀 27
  • 1.4.1塔珀自指公式 27
  • 1.4.2看看你毕业了能拿多少 28
• 1.5 课后加油站高等数学知识回顾 43
  • 1.5.1 函数与导数 43
  • 1.5.2 偏导数及梯度 47

第2章 机器学习基础及常见概念	50

• 2.1 机器学习的分类 51
  • 2.1.1 监督学习 51
  • 2.1.2 半监督学习 52
  • 2.1.3 无监督学习 52
  • 2.1.4 强化学习 53
• 2.2 机器学习常见概念 54
  • 2.2.1 缺失值处理 54
  • 2.2.2 数据标准化与正则化 56
  • 2.2.3 交叉验证 58
  • 2.2.4 过拟合和欠拟合 60
• 2.3 神经网络 61
  • 2.3.1 神经网络的生理学发现与编程模拟 61
  • 2.3.2 人工神经网络的核心思想 67
  • 2.3.3 人工神经网络与逻辑斯蒂之间的关联 68
• 2.4实现线性回归和逻辑回归 68
  • 2.4.1 Pytorch实现线性回归 68
  • 2.4.2 Pytorch实现多项式回归 70
  • 2.4.3 Pytorch实现类逻辑回归 73
• 2.5 加油站高等数学知识回顾 77
  • 2.5.1 方向导数和梯度 77
  • 2.5.2 微分及积分 79
  • 2.5.3 牛顿-莱布尼兹公式 82

第3章 Pytorch与科学计算	83

• 3.1 算子字典 83
  • 3.1.1 基本方法 83
  • 3.1.2 索引·切片·连接·换位 85
  • 3.1.3 随机抽样 89
  • 3.1.4 数据持久化与高并发 90
  • 3.1.5 元素级别数学计算 91
  • 3.1.6 规约计算 94
  • 3.1.7 数值比较运算 96
  • 3.1.8 矩阵运算 98
• 3.2 广播机制 101
  • 3.2.1 自动广播规则 101
  • 3.2.2 广播结果结算规则 102
• 3.3 GPU及并行编程 103
  • 3.3.1 device和cuda基本用法 103
  • 3.3.2 CPU到GPU 104
  • 3.3.3 固定缓冲区 106
  • 3.3.4 自动设备感知 107
  • 3.3.5 并发编程 108
• 3.4 实验室小试牛刀之轻松搞定图片分类 110
  • 3.4.1 Softmax分类简介 113
  • 3.4.2 定义网络结构 115
• 3.5 加油站高等数学知识回顾 120
  • 3.5.1 泰勒公式及思想 121
  • 3.5.2 拉格朗日乘子法及思想 124

第4章 激活函数、损失函数、优化器及数据加载	125

• 4.1 激活函数 126
  • 4.1.1 Sigmoid 126
  • 4.1.2 Tanh 128
  • 4.1.3 Relu及其变形 129
  • 4.1.4 MaxOut 132
• 4.2 损失函数 133
  • 4.2.1 L1范数损失 134
  • 4.2.2 MSE均方误差损失 134
  • 4.2.3 BCE二分类交叉熵损失 135
  • 4.2.4 CrossEntropyLoss和NLLLoss计算交叉熵损失 135
  • 4.2.5 KL散度损失 136
  • 4.2.6 余弦相似度损失 137
  • 4.2.7 多分类多标签损失 138
• 4.3 优化器 139
  • 4.3.1 BGD 139
  • 4.3.2 SGD 139
  • 4.3.3 MBGD 140
  • 4.3.4 Momentum 141
  • 4.3.5 NAG 142
  • 4.3.6 Adagrad 143
  • 4.3.7 Adadelta 143
  • 4.3.8 Adam 144
• 4.4 数据加载 145
  • 4.4.1 Dataset数据集 145
  • 4.4.2 DataLoader数据加载 148
• 4.5 初探卷积神经网络 149
  • 4.5.1 知识科普：卷积过程及物理意义 149
  • 4.5.2 卷积神经网络CNN 153
  • 4.5.3 stride和padding 158
  • 4.5.4 膨胀卷积神经网络 159
  • 4.5.5 Pooling池化 161
• 4.6 实验室小试牛刀 164
  • 4.6.1 设计卷积神经网络 164
  • 4.6.2 定义卷积网络 164
  • 4.6.3 训练模型 165
  • 4.6.4 理解CNN在学什么 168

第5章 Pytorch深度神经网络	177

• 5.1 计算机视觉工具包 177
• 5.2 训练过程的可视化 179
  • 5.2.1 Tensorboard 179
  • 5.2.2 Visdom 184
• 5.3 深度神经网络 186
  • 5.3.1 LeNet 187
  • 5.3.2 AlexNet 188
  • 5.3.3 ZF-Net 190
  • 5.3.4 VGG-Nets 191
  • 5.3.5 GoogLeNet 194
  • 5.3.6 ResNet 196
  • 5.3.7 DenseNet 197
• 5.4 RNN循环神经网络 199
  • 5.4.1 RNN 199
  • 5.4.2 LSTM 203
  • 5.4.3 GRU 207
• 5.5 实验室小试牛刀 209
  • 5.5.1 数据准备 209
  • 5.5.2 GRU网络设计 211
  • 5.5.3 训练模型 212
  • 5.5.4 模型预测 213
• 5.6 加油站之概率论基础知识回顾 214
  • 5.6.1 离散型随机变量和连续型随机变量 214
  • 5.6.2 概率论常用概念 219
  • 5.6.3 二维随机变量 220
  • 5.6.4 边缘分布 223
  • 5.6.5 期望和方差 224
  • 5.6.6 大数定理 225
  • 5.6.7 马尔科夫不等式及切比雪夫不等式 226
  • 5.6.8 中心极限定理 227

第6章 自然语言处理	227

• 6.1 自然语言基础 227
  • 6.1.1 自然语言发展史 228
  • 6.1.2 自然语言处理中的常见任务 230
  • 6.1.3 统计自然语言理论 232
  • 6.1.4 隐马尔可夫模型实现中文分词 240
• 6.2 关键字提取 242
  • 6.2.1 TF-IDF 243
  • 6.2.2 TextRank 244
  • 6.2.3 主题模型 245
• 6.3 Word2vec和词嵌入 246
  • 6.3.1 N-Gram模型 246
  • 6.3.2 词袋模型 247
  • 6.3.3 Word2vec词向量的密集表示 248
  • 6.3.4 使用Word2vec生成词向量 255
  • 6.3.5 Word2vec源码调试 256
  • 6.3.6 Pytorch中使用词向量 256
• 6.4 变长序列处理 258
  • 6.4.1 pack_padded_sequence压缩 259
  • 6.4.2 pad_packed_sequence解压缩 261
• 6.5 Encoder-Decoder框架和注意力机制 262
  • 6.5.1 Encoder-Decoder框架 262
  • 6.5.2 Attention Mechanism注意力机制 263
• 6.6 实验室小试牛刀对话机器人 266
  • 6.6.1 中文对话语料 266
  • 6.6.2 构建问答词典 267
  • 6.6.3 DataLoader数据加载 268
  • 6.6.4 Encoder双向多层GRU 271
  • 6.6.5 Attention注意力机制 272
  • 6.6.6 Decoder多层GRU 273
  • 6.6.7 模型训练 274
  • 6.6.8 答案搜索及效果展示 276
• 6.7 加油站之常见的几种概率分布 277
  • 6.7.1 二项分布 277
  • 6.7.2 正态分布 278
  • 6.7.3 均匀分布 279
  • 6.7.4 泊松分布 280
  • 6.7.5 卡方分布 282
  • 6.7.6 Beta分布 283

第7章 自然语言的曙光预训练模型	284

• 7.1 预训练模型的应用 285
• 7.2 从Word Embedding到ELMO 286
  • 7.2.1 Word Embedding头上的乌云 286
  • 7.2.2 ELMO 286
• 7.3 从ELMO到GPT 288
  • 7.3.1 GPT模型 288
  • 7.3.2 使用GPT模型 289
• 7.4 从GPT到BERT 291

第8章 自然语言处理利器AllenNLP	295

• 8.1 中文词性标注 295
  • 8.1.1 DatasetReader数据读取 295
  • 8.1.2 定义Model模型 297
  • 8.1.3 训练模型 298
  • 8.1.4 模型预测 300
  • 8.1.5 保存和加载模型 300
• 8.2 AllenNLP 使用Config Files 301
  • 8.2.1 参数解析 301
  • 8.2.2 注册数据读取器和模型 301
  • 8.2.3 定义Jsonnet配置文件 302
  • 8.2.4 命令行工具 303
  • 8.2.5 特征融合 304
  • 8.2.6 制作在线Demo 306

第9章 FastAI高层深度学习框架	307

• 9.1 FastAI框架中的原语 307
• 9.2 FastAI框架中使用BERT完成中文分类 308
  • 9.2.1 分词器 308
  • 9.2.2 定义字典 309
  • 9.2.3 数据准备 310
  • 9.2.4 构建Databunch和Learner 311
  • 9.2.5 开始训练 312
  • 9.2.6 模型保存和加载 313
  • 9.2.7 模型预测 313
  • 9.2.8 制作Rest接口提供服务 313

第10章 Pytorch Big Graph大型图嵌入	314

• 10.1 Pytorch Big Graph简介 315
  • 10.1.1 PBG模型 315
  • 10.1.2 模型的表示 316
  • 10.1.3 正负样本及损失函数 317
  • 10.1.4 分布式训练 317
  • 10.1.5 批量负采样 318
• 10.2 PBG实践应用 319
  • 10.2.1 模型配置文件 320
  • 10.2.2 划分训练集和测试集 321
  • 10.2.3 模型训练和验证 322
  • 10.2.4 图嵌入向量及应用 323