[正版] PyTorch深度学习和图神经网络 卷2 开发应用 人工智能 人民邮电出版社 正版书籍

                                                    店铺公告

为保障消费者合理购买需求及公平交易机会，避免因非生活消费目的的购买货囤积商品，抬价转售等违法行为发生，店铺有权对异常订单不发货且不进行赔付。异常订单：包括但不限于相同用户ID批量下单，同一用户（指不同用户ID，存在相同/临近/虚构收货地址，或相同联系号码，收件人，同账户付款人等情形的）批量下单（一次性大于5本），以及其他非消费目的的交易订单。 温馨提示：请务必当着快递员面开箱验货，如发现破损，请立即拍照拒收，如验货有问题请及时联系在线客服处理，（如开箱验货时发现破损，所产生运费由我司承担，一经签收即为货物完好，如果您未开箱验货，一切损失就需要由买家承担，所以请买家一定要仔细验货）， 关于退货运费：对于下单后且物流已发货货品在途的状态下，原则上均不接受退货申请，如顾客原因退货需要承担来回运费，如因产品质量问题（非破损问题）可在签收后，联系在线客服。

1.知识系统，逐层递进。
本书着重于图神经网络相关的系统知识和基础原理的讲解。内容方面涵盖了与图神经网络有关的完整技术栈。在上册《PyTorch深度学习和图神经网络（卷1）——基础知识》的基础原理之上结合实践，分别从图像、视频、文本、可解释性等应用角度提供项目级别实战案例即代码实例。并基于图片分类中常见的样本不足问题，介绍了零次学习技术及实例。
2.跟进前沿技术，大量引用前沿论文
本书中所介绍的知识中，有很大比例源自近几年的前沿技术。在介绍其原理和应用的同时，还附有论文的出处，这些论文引用可以方便读者对感兴趣的知识进行溯源，并可以自主扩展阅读。在系统掌握了基础知识之后，为后续的能力进阶提供了扩展空间。
3.插图较多便于学习
本书在介绍模型结构、原理的同时，还提供了大量的插图。这些图解有的可视化了模型中的数据流向、有的展示了模型拟合能力、有的细化了某种技术的内部原理、有的直观化了模型的内部结构。可以帮助读者对知识更容易、快捷的理解和掌握。
4.提供源代码下载

目录
第　1章 图片分类模型　1
1.1　深度神经网络起源　2
1.2　Inception系列模型　2
1.2.1　多分支结构　2
1.2.2　全局均值池化　3
1.2.3　Inception V1模型　3
1.2.4　Inception V2模型　4
1.2.5　Inception V3模型　5
1.2.6　Inception V4模型　6
1.2.7　Inception-ResNet V2模型　6
1.3　ResNet模型　6
1.3.1　残差连接的结构　7
1.3.2　残差连接的原理　8
1.4　DenseNet模型　8
1.4.1　DenseNet模型的网络结构　8
1.4.2　DenseNet模型的特点　9
1.4.3　稠密块　9
1.5　PNASNet模型　9
1.5.1　组卷积　10
1.5.2　深度可分离卷积　11
1.5.3　空洞卷积　12
1.6　EfficientNet模型　14
1.6.1　MBConv卷积块　15
1.6.2　DropConnect层　16
1.7　实例：使用预训练模型识别图片内容　16
1.7.1　了解torchvision库中的预训练模型　16
1.7.2　代码实现：下载并加载预训练模型　17
1.7.3　代码实现：加载标签并对输入数据进行预处理　18
1.7.4　代码实现：使用模型进行预测　19
1.7.5　代码实现：预测结果可视化　20
1.8　实例：使用迁移学习识别多种鸟类　21
1.8.1　什么是迁移学习　21
1.8.2　样本介绍：鸟类数据集CUB-200　22
1.8.3　代码实现：用torch.utils.data接口封装数据集　22
1.8.4　代码实现：获取并改造ResNet模型　27
1.8.5　代码实现：微调模型后一层　28
1.8.6　代码实现：使用退化学习率对 模型进行全局微调　29
1.8.7　扩展实例：使用随机数据增强方法训练模型　30
1.8.8　扩展：分类模型中常用的3种损失函数　31
1.8.9　扩展实例：样本均衡　31
1.9　从深度卷积模型中提取视觉特征　33
1.9.1　使用钩子函数的方式提取视觉特征　33
1.9.2　使用重组结构的方式提取视觉特征　34
第　2章 机器视觉的应用　37
2.1　基于图片内容的处理任务　38
2.1.1　目标检测任务　38
2.1.2　图片分割任务　38
2.1.3　非极大值抑制算法　39
2.1.4　Mask R-CNN模型　39
2.2　实例：使用Mask R-CNN模型进行目标检测与语义分割　41
2.2.1　代码实现：了解PyTorch中目标检测的内置模型　41
2.2.2　代码实现：使用PyTorch中目标检测的内置模型　42
2.2.3　扩展实例：使用内置的预训练模型进行语义分割　43
2.3　基于视频内容的处理任务　47
2.4　实例：用GaitSet模型分析人走路的姿态，并进行身份识别　47
2.4.1　步态识别的做法和思路　47
2.4.2　GaitSet模型　48
2.4.3　多层全流程管线　50
2.4.4　水平金字塔池化　51
2.4.5　三元损失　52
2.4.6　样本介绍：CASIA-B数据集　53
2.4.7　代码实现：用torch.utils.data接口封装数据集　54
2.4.8　代码实现：用torch.utils.data.sampler类创建含多标签批次数据的采样器　60
2.4.9　代码实现：搭建 GaitSet模型　64
2.4.10　代码实现：自定义三元损失类　67
2.4.11　代码实现：训练模型并保存模型权重文件　69
2.4.12　代码实现：测试模型　72
2.4.13　扩展实例：用深度卷积和池化 优化模型　77
2.4.14　扩展实例：视频采样并提取 轮廓　78
2.4.15　步态识别模型的局限性　79
2.5　调试技巧　79
2.5.1　解决显存过满损失值为0问题　80
2.5.2　跟踪PyTorch显存并查找显存泄露点　81
第3章　自然语言处理的相关应用　83
3.1　BERT模型与NLP任务的发展阶段　84
3.1.1　基础的神经网络阶段　84
3.1.2　BERTology阶段　84
3.2　NLP中的常见任务　84
3.2.1　基于文章处理的任务　85
3.2.2　基于句子处理的任务　85
3.2.3　基于句子中词的处理任务　86
3.3　实例：训练中文词向量　87
3.3.1　CBOW和Skip-Gram模型　87
3.3.2　代码实现：样本预处理并生成字典　88
3.3.3　代码实现：按照Skip-Gram模型的规则制作数据集　90
3.3.4　代码实现：搭建模型并进行 训练　92
3.3.5　夹角余弦　95
3.3.6　代码实现：词嵌入可视化　96
3.3.7　词向量的应用　97
3.4　常用文本处理工具　98
3.4.1　spaCy库的介绍和安装　98
3.4.2　与PyTorch深度结合的文本 处理库torchtext　99
3.4.3　torchtext库及其内置数据集与 调用库的安装　99
3.4.4　torchtext库中的内置预训练词 向量　100
3.5　实例：用TextCNN模型分析评论者是否满意　100
3.5.1　了解用于文本分类的卷积神经网络模型——TextCNN　101
3.5.2　样本介绍：了解电影评论 数据集IMDB　102
3.5.3　代码实现：引入基础库　102
3.5.4　代码实现：用torchtext加载 IMDB并拆分为数据集　103
3.5.5　代码实现：加载预训练词向量并进行样本数据转化　105
3.5.6　代码实现：定义带有Mish激活 函数的TextCNN模型　107
3.5.7　代码实现：用数据集参数实例化 模型　109
3.5.8　代码实现：用预训练词向量 初始化模型　109
3.5.9　代码实现：用Ranger优化器训练模型　109
3.5.10　代码实现：使用模型进行预测　112
3.6　了解Transformers库　113
3.6.1　Transformers库的定义　113
3.6.2　Transformers库的安装方法　114
3.6.3　查看Transformers库的版本信息　115
3.6.4　Transformers库的3层应用 结构　115
3.7　实例： 使用Transformers库的管道方式完成多种NLP任务　116
3.7.1　在管道方式中指定NLP任务　116
3.7.2　代码实现：完成文本分类任务　11......

本书通过深度学习实例，从可解释性角度出发，阐述深度学习的原理，并将图神经网络与深度学习结合，介绍图神经网络的实现技术。本书分为6章，主要内容包括：图片分类模型、机器视觉的应用、自然语言处理的相关应用、神经网络的可解释性、识别未知分类的方法——零次学习、异构图神经网络。本书中的实例是在PyTorch框架上完成的，具有较高的实用价值。
本书适合人工智能从业者、程序员进阶学习，也适合作为大专院校相关专业师生的教学和学习用书，以及培训学校的教材。

李金洪， 精通C、Python、Java语言，擅长神经网络、算法、协议分析、移动互联网安全架构等技术，先后担任过CAD算法工程师、架构师、项目经理、部门经理等职位。参与过深度学习领域某移动互联网后台的OCR项目，某娱乐节目机器人的语音识别、声纹识别项目，金融领域的若干分类项目。