第一部分 基础篇

第1章 NumPy基础

1.1生成NumPy数组
1.2读取元素
1.3 NumPy的算术运算
1.4数组变形
1.5 批量处理
1.6 节省内存
1.7通用函数
1.8 广播机制
1.9小结

第2章 PyTorch基础

2.1 为何选择PyTorch
2.2 安装配置
2.3 Jupyter Notebook环境配置
2.4 NumPy与Tensor
2.5 Tensor与Autograd
2.6 使用NumPy实现机器学习
2.7 使用Tensor及Autograd实现机器学习
2.8 使用优化器及自动微分
2.9 把数据集转换带批量的迭代器
2.10 使用TensorFlow2架构实现机器学习
2.11 小结

第3章 PyTorch神经网络工具箱

3.1 神经网络核心组件
3.2 PyTorch构建神经网络的主要工具
3.3 构建模型
3.4 训练模型
3.5实现神经网络实例
3.6 小结

第4章 PyTorch数据处理工具箱

4.1 数据处理工具箱概述
4.2 utils.data简介
4.3 torchvision简介
4.4 可视化工具
4.5 小结

第二部分 深度学习基础

第5 章 机器学习基础

5.1 机器学习的基本任务
5.2 机器学习一般流程
5.3 过拟合与欠拟合

第5章 机器学习基础（5.1至5.3小节）

5.4 选择合适激活函数
5.5 选择合适的损失函数
5.6 使用合适的优化器

第5章 机器学习基础（5.4至5.6小节）

5.7 GPU加速
5.8 小结

第5章 机器学习基础（5.7至5.8小节）

第6章 视觉处理基础

6.1从全连接层到卷积层
6.2卷积层
6.3池化层
6.4现代经典网络
6.5 PyTorch实现CIFAR10多分类
6.6 使用模型集成方法提升性能
6.7使用现代经典模型提升性能
6.8 小结

第7章 自然语言处理基础

7.1 从语言模型到循环神经网络
7.2 正向传播与随时间反向传播
7.3 现代循环神经网络
7.4 循环神经网络的PyTorch实现
7.5文本数据处理
7.6词嵌入
7.7 PyTorch实现词性判别
7.8 用LSTM预测股票行情
7.9 几种特殊结构
7.10循环神经网络应用场景
7.11 小结

第8章 注意力机制

8.1 注意力机制概述
8.2 带注意力机制的编码器-解码器架构
8.3 Transformer架构
8.4 使用PyTorch实现Transformer
8.5 小结

第9 章 目标检测与语义分割

9.1目标检测及主要挑战
9.2 优化候选框的几种算法
9.3典型的目标检测算法
9.4 语义分割
9.5 小结

第10章 生成式深度学习

10.1 用变分自编码器生成图像
10.2 GAN简介
10.3用GAN生成图像
10.4 VAE与GAN的异同
10.5 CGAN
10.6 DCGAN
10.7 提升GAN训练效果的一些技巧
10.8 小结

第三部分 深度学习实战

第11章 人脸检测与识别

11.1 人脸检测与识别的一般流程
11.2 人脸检测
11.3特征提取
11.4人脸识别
11.5 使用PyTorch实现人脸检测与识别
11.6 小结

第12章 迁移学习实例

12.1 迁移学习简介
12.2 特征提取
12.3 数据增强
12.4 微调实例
12.5 清除图像中的雾霾
12.6 小结

第13章 神经网络机器翻译实例

13.1 使用PyTorch实现带注意力的解码器
13.2 使用注意力机制实现中英文互译
13.3 小结

第14 章 使用ViT进行图像分类

14.1 项目概述
14.2 数据预处理
14.3 生成输入数据
14.4 构建编码器模型
14.5 训练模型
14.6 小结

第15 章 语义分割实例

15.1 数据概览
15.2 数据预处理
15.3 构建模型
15.4 训练模型
15.5 测试模型
15.6 保存与恢复模型
15.7 小结

第16章 实战生成式模型

16.1 Deep Dream模型
16.2 风格迁移
16.3 使用PyTorch实现图像修复
16.4 使用PyTorch实现DiscoGAN
16.5 小结

第17章 AI新方向：对抗攻击

17.1对抗攻击简介
17.2常见对抗样本生成方式
17.3 使用PyTorch实现对抗攻击
17.4 对抗攻击和防御方法
17.5 小结

第18章 强化学习

18.1 强化学习简介
18.2 Q-Learning 原理
18.3 用PyTorch实现Q-Learning
18.4 SARSA 算法
18.5 小结

第19章 深度强化学习

19.1 DSN算法原理
19.2 用PyTorch实现 DQN算法
19.3 小结
附录A PyTorch 0.4版本变更
附录B AI在各行业的最新应用
附录C einops及einsum简介