第1章　神經(jīng)網(wǎng)絡(luò)、深度學(xué)習(xí)和大模型
1.1?神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)
1.1.1?神經(jīng)元和神經(jīng)網(wǎng)絡(luò)
1.1.2?深度神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)
1.1.3　深度學(xué)習(xí)的應(yīng)用場景
1.2　深度學(xué)習(xí)和大模型
1.3　實(shí)現(xiàn)深度學(xué)習(xí)的Pytorch框架
1.3.1　Pytorch簡介
1.3.2　Pytorch的常用模塊
1.3.3　搭建Python開發(fā)環(huán)境
1.3.4　簡單安裝Pytorch框架
1.4　搭建支持GPU的Pytorch環(huán)境
1.4.1　GPU和CUDA
1.4.2　安裝基于GPU的Pytorch
1.5　小結(jié)和預(yù)告
第2章　學(xué)習(xí)張量，搭建神經(jīng)網(wǎng)絡(luò)
2.1　張量的概念和基本操作
2.1.1　標(biāo)量、向量、矩陣和張量
2.1.2　張量和深度學(xué)習(xí)的關(guān)系
2.1.3　創(chuàng)建張量
2.1.4　張量的常見方法
2.1.5　張量與Numpy數(shù)據(jù)的相互轉(zhuǎn)換
2.2　張量的常見運(yùn)算
2.2.1　張量的索引操作
2.2.2　張量的切片操作
2.2.3　轉(zhuǎn)換張量的維度
2.2.4　過濾與條件操作
2.3　搭建第一個(gè)神經(jīng)網(wǎng)絡(luò)
2.3.1　訓(xùn)練集、驗(yàn)證集和測試集
2.3.2　過擬合與欠擬合
2.3.3　損失函數(shù)
2.3.4　神經(jīng)網(wǎng)絡(luò)的超參數(shù)
2.3.5　搭建神經(jīng)網(wǎng)絡(luò)的定式
2.4　小結(jié)和預(yù)告
第3章　實(shí)戰(zhàn)神經(jīng)網(wǎng)絡(luò)（多層感知機(jī)）
3.1　Pytorch自帶的數(shù)據(jù)集
3.1.1　數(shù)據(jù)集介紹
3.1.2　下載MNIST數(shù)據(jù)集
3.1.3　可視化MNIST數(shù)據(jù)集
3.2　激活函數(shù)
3.2.1　引入非線性因素的激活函數(shù)
3.2.2　sigmoid激活函數(shù)
3.2.3　tanh激活函數(shù)
3.2.4　ReLU激活函數(shù)
3.3　神經(jīng)網(wǎng)絡(luò)與損失函數(shù)
3.3.1　用MNIST訓(xùn)練，觀察損失值
3.3.2　交叉熵?fù)p失函數(shù)
3.4　優(yōu)化器與前后向傳播
3.4.1　SGD優(yōu)化器與梯度下降
3.4.2　前向傳播與后向傳播
3.4.3　SGD引入Momentum參數(shù)
3.4.4　Adagrad、RMSprop和Adam優(yōu)化器
3.5　用神經(jīng)網(wǎng)絡(luò)作預(yù)測
3.6　小結(jié)和預(yù)告
第4章　用卷積神經(jīng)網(wǎng)絡(luò)識別圖片
4.1　下載并使用CIFAR-10數(shù)據(jù)集
4.1.1　獲取CIFAR-10數(shù)據(jù)集
4.1.2　觀察CIFAR-10數(shù)據(jù)集
4.2　卷積神經(jīng)網(wǎng)絡(luò)概述
4.2.1　二維卷積的計(jì)算范例
4.2.2　填充和移動步長
4.2.3　卷積通道數(shù)值說明
4.2.4　二維卷積方法及其參數(shù)
4.2.5　池化層及池化策略
4.2.6　整體結(jié)構(gòu)及工作流程
4.3　用MNIST訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)
4.3.1　搭建模型，觀察訓(xùn)練結(jié)果
4.3.2　觀察模型的結(jié)構(gòu)
4.3.3　用卷積神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果
4.4　用CIFAR-10訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)
4.4.1　卷積及池化后的尺寸計(jì)算方式
4.4.2　搭建及訓(xùn)練模型
4.4.3　用模型預(yù)測圖片分類
4.5　小結(jié)和預(yù)告
第5章　實(shí)戰(zhàn)殘差神經(jīng)網(wǎng)絡(luò)
5.1　梯度爆炸和梯度消失
5.1.1　可視化觀察梯度下降
5.1.2　后向傳播、梯度消失和梯度爆炸
5.1.3　梯度消失和梯度爆炸的解決方法
5.2　搭建殘差神經(jīng)網(wǎng)絡(luò)
5.2.1　殘差模塊的結(jié)構(gòu)
5.2.2　搭建殘差神經(jīng)網(wǎng)絡(luò)的方法
5.3　殘差神經(jīng)網(wǎng)絡(luò)與圖片分類
5.3.1　識別MNIST手寫數(shù)字體
5.3.2　分類CIFAR-10圖片
5.4　小結(jié)和預(yù)告
第6章　對模型的實(shí)用性操作
6.1　可視化模型
6.1.1　用PyTorchViz可視化模型
6.1.2　用TensorboardX可視化模型
6.1.3　用TensorboardX觀察訓(xùn)練過程
6.2　保存和加載模型
6.2.1　保存模型
6.2.2　加載模型
6.3　數(shù)據(jù)預(yù)處理和數(shù)據(jù)增強(qiáng)
6.3.1　歸一化處理
6.3.2　圖片的隨機(jī)裁剪
6.3.3　圖片的中心裁剪
6.3.4　圖片縮放
6.3.5　水平、垂直與隨機(jī)角度翻轉(zhuǎn)圖片
6.3.6　隨機(jī)灰度化
6.3.7　亮度、對比度、飽和度和色度變換
6.4　小結(jié)和預(yù)告
第7章　基于深度學(xué)習(xí)的回歸分析和聚類分析
7.1　回歸分析
7.1.1　獲取California房價(jià)數(shù)據(jù)集
7.1.2　用神經(jīng)網(wǎng)絡(luò)分析預(yù)測房價(jià)
7.1.3　獲取股票數(shù)據(jù)集
7.1.4　用神經(jīng)網(wǎng)絡(luò)分析股價(jià)
7.2　聚類分析
7.2.1　分類葡萄酒數(shù)據(jù)
7.2.2　分類鳶尾花數(shù)據(jù)
7.2.3　用神經(jīng)網(wǎng)絡(luò)預(yù)測股票漲跌
7.3　小結(jié)和預(yù)告
第8章　遷移學(xué)習(xí)實(shí)戰(zhàn)
8.1　遷移學(xué)習(xí)的概念和常用方法
8.1.1　遷移學(xué)習(xí)的兩大實(shí)現(xiàn)方法
8.1.2　可供使用的預(yù)訓(xùn)練模型
8.2　基于微調(diào)參數(shù)的遷移學(xué)習(xí)
8.2.1　ResNet18和ResNet34
8.2.2　用數(shù)據(jù)集訓(xùn)練微調(diào)參數(shù)
8.3　基于特征提取器的遷移學(xué)習(xí)
8.3.1　獲取螞蟻和蜜蜂數(shù)據(jù)集
8.3.2　對特征提取器的說明
8.3.3　基于特征提取器的遷移學(xué)習(xí)
8.4　小結(jié)和預(yù)告
第9章　基于詞向量和模型的文本分析
9.1　文本分析的基礎(chǔ)：向量化
9.1.1　文本向量化概述
9.1.2　詞頻-逆頻率
9.1.3　基于詞頻-逆頻率的向量化示例
9.2　分詞、向量化和詞嵌入
9.2.1　基于分詞的向量化
9.2.2　基于向量化的相似度分析
9.2.3　深入了解詞嵌入和詞向量
9.2.4　基于FastText模型的詞嵌入
9.2.5　基于詞嵌入的相似度分析
9.3　基于卷積模型的情感分析
9.3.1　Imdb數(shù)據(jù)集介紹
9.3.2　用GloVe庫實(shí)現(xiàn)向量化
9.3.3　nn.Embedding與卷積模型
9.3.4　訓(xùn)練模型，預(yù)測新文本的情感
9.4　基于循環(huán)神經(jīng)網(wǎng)絡(luò)的情感分析
9.4.1　單向神經(jīng)網(wǎng)絡(luò)
9.4.2　雙向神經(jīng)網(wǎng)絡(luò)
9.4.3　基于雙向神經(jīng)網(wǎng)絡(luò)的情感分析
9.5　小結(jié)和預(yù)告
第10章　基于生成對抗網(wǎng)絡(luò)的圖片識別實(shí)戰(zhàn)
10.1　生成對抗網(wǎng)絡(luò)概述
10.1.1　用兩個(gè)模型來對抗
10.1.2　生成器和判別器損失值的計(jì)算方式
10.1.3　生成對抗網(wǎng)絡(luò)的訓(xùn)練過程
10.2　基于MNIST數(shù)據(jù)集的實(shí)戰(zhàn)
10.2.1　訓(xùn)練過程和損失值
10.2.2　訓(xùn)練與預(yù)測的代碼分析
10.3　生成對抗卷積網(wǎng)絡(luò)實(shí)戰(zhàn)
10.3.1　STL-10數(shù)據(jù)集分析
10.3.2　基于卷積的生成對抗網(wǎng)絡(luò)
10.3.3　訓(xùn)練并擬合STL圖片
10.4　小結(jié)和預(yù)告
第11章　人臉檢測和人臉識別技術(shù)實(shí)戰(zhàn)
11.1　人臉檢測和人臉識別技術(shù)概述
11.1.1　人臉檢測相關(guān)算法介紹
11.1.2　人臉識別技術(shù)介紹
11.1.3　支持人臉檢測和識別的類庫
11.1.4　獲取LFW人臉數(shù)據(jù)集
11.1.5　安裝OpenCV庫
11.2　基于Dlib的人臉檢測
11.2.1　繪制人臉范圍
11.2.2　獲取人臉特征點(diǎn)
11.3　用對抗網(wǎng)絡(luò)擬合人臉
11.3.1　數(shù)據(jù)集介紹
11.3.2　用基于卷積的生成對抗網(wǎng)絡(luò)擬合人臉
11.4　實(shí)戰(zhàn)人臉識別技術(shù)
11.4.1　基于Face_recognition的人臉識別技術(shù)
11.4.2　基于MTCNN的人臉識別技術(shù)
11.5　小結(jié)和預(yù)告
第12章　音頻處理技術(shù)實(shí)戰(zhàn)
12.1　必要的準(zhǔn)備工作
12.1.1　安裝torchaudio庫
12.1.2　下載音頻數(shù)據(jù)集
12.2　音頻知識點(diǎn)概述
12.2.1　時(shí)域圖和頻域圖
12.2.2　聲譜圖
12.2.3　梅爾頻譜
12.3　用卷積模型分類音頻
12.3.1　加載數(shù)據(jù)集的特征值和目標(biāo)值
12.3.2　用交叉驗(yàn)證擴(kuò)充數(shù)據(jù)集
12.3.3　搭建卷積神經(jīng)網(wǎng)絡(luò)模型
12.3.4　訓(xùn)練、驗(yàn)證及預(yù)測
12.4　小結(jié)和預(yù)告
第13章　目標(biāo)檢測技術(shù)實(shí)戰(zhàn)
13.1　目標(biāo)檢測技術(shù)概述
13.1.1　傳統(tǒng)目標(biāo)檢測的流程及缺陷
13.1.2　基于深度學(xué)習(xí)的目標(biāo)檢測技術(shù)
13.1.3　目標(biāo)檢測的相關(guān)概念
13.2　通過數(shù)據(jù)集初識目標(biāo)標(biāo)記
13.2.1　介紹VOC 2007數(shù)據(jù)集
13.2.2　展示目標(biāo)標(biāo)記效果
13.3　用模型標(biāo)記目標(biāo)
13.3.1　Faster R-CNN模型
13.3.2　用Faster R-CNN模型標(biāo)記目標(biāo)
13.3.3　用SSD模型標(biāo)記目標(biāo)
13.3.4　用Yolo模型標(biāo)記目標(biāo)
13.4　小結(jié)和預(yù)告
第14章　強(qiáng)化學(xué)習(xí)實(shí)戰(zhàn)
14.1　強(qiáng)化學(xué)習(xí)概述
14.1.1　強(qiáng)化學(xué)習(xí)的概念和流程
14.1.2　強(qiáng)化學(xué)習(xí)的算法框架
14.1.3　PPO算法概述
14.1.4　基于PPO算法的模型概述
14.1.5　安裝強(qiáng)化學(xué)習(xí)的環(huán)境類庫
14.2　基于倒立擺環(huán)境的PPO強(qiáng)化學(xué)習(xí)
14.2.1　倒立擺問題概述
14.2.2　搭建PPO網(wǎng)絡(luò)模型
14.2.3　引用PPO模型，實(shí)現(xiàn)強(qiáng)化學(xué)習(xí)
14.3　基于著陸艙環(huán)境的PPO強(qiáng)化學(xué)習(xí)
14.3.1　著陸艙降落問題概述
14.3.2　搭建 PPO網(wǎng)絡(luò)模型
14.3.3　實(shí)現(xiàn)強(qiáng)化學(xué)習(xí)的案例分析
14.4　小結(jié)和預(yù)告
第15章　基于Transformer模型的自然語言翻譯
15.1　Transformer模型概述
15.1.1　Transformer模型的架構(gòu)和構(gòu)成
15.1.2　注意力機(jī)制和計(jì)算規(guī)則
15.1.3　自注意力和多頭注意力機(jī)制
15.2　基于Transformer模型的自然語言翻譯流程
15.2.1　翻譯的主要流程
15.2.2　下載訓(xùn)練數(shù)據(jù)集和分詞模型
15.2.3　搭建文本翻譯的Transformer模型
15.2.4　訓(xùn)練Transformer模型
15.2.5　嘗試翻譯，觀察訓(xùn)練成果
15.3　小結(jié)和預(yù)告
第16章　ViT模型實(shí)戰(zhàn)
16.1　ViT的概念和架構(gòu)
16.1.1　ViT的組成架構(gòu)
16.1.2　ViT分類圖片的大致流程
16.2　簡要版ViT分類圖片實(shí)戰(zhàn)
16.2.1　數(shù)據(jù)集分析
16.2.2　搭建簡要版的ViT模型
16.2.3　訓(xùn)練模型，觀察分類結(jié)果
16.3　完整版ViT分類圖片實(shí)戰(zhàn)
16.3.1　實(shí)現(xiàn)注意力機(jī)制的類
16.3.2　實(shí)現(xiàn)MLP層
16.3.3　實(shí)現(xiàn)Transformer編碼器層
16.3.4　搭建完整版的ViT模型
16.3.5　訓(xùn)練模型，觀察分類結(jié)果
16.4　小結(jié)和預(yù)告
第17章　DeepSeek本地化部署和微調(diào)實(shí)戰(zhàn)
17.1　DeepSeek模型概述
17.1.1　大語言模型概述
17.1.2　DeepSeek大語言模型簡介
17.2　DeepSeek本地化部署
17.2.1　下載DeepSeek
17.2.2　觀察本地化部署效果
17.3　微調(diào)DeepSeek
17.3.1　獲取EmoLLM數(shù)據(jù)集
17.3.2　基于LoRA的微調(diào)方法
17.3.3　微調(diào)DeepSeek大模型
17.4　小結(jié)和預(yù)告