《Python深度学习基于PyTorch(第2版)》目录
1.1.5利用 arange、linspace 函数生成数组 252.3 Jupyter Notebook环境配置 502.4.10 PyTorch与NumPy比较 602.7 使用Tensor及autograd实现机器学习 722.10 使用TensorFlow2架构实现机器学习 763.2 PyTorch构建神经网络的主要工具 803.3.1 继承nn.Module基类构建模型 823.3.2 使用nn.Sequential按层顺序构建模型 833.3.3 继承nn.Module基类并应用模型容器来构建模型 864.4.2用tensorboard可视化神经网络 1134.4.3用tensorboard可视化损失值 1154.4.4用tensorboard可视化特征图 1166.5 PyTorch实现cifar10多分类 1867.1.4神经网络到有隐含状态的循环神经网络 2037.9.1 Encoder-Decoder架构 2348.2 带注意力机制Encoder-Decoder架构 2418.3.1 Transformer的顶层设计 2468.3.2 Encoder与Decoder的输入 2488.3.5 自注意力与卷积网络、循环网络的异同 2548.3.6 为加深Transformer网络层保驾护航的几种方法 2558.3.8 ViT Transformer简介 2588.3.9 Swin Transformer简介 2598.4 用PyTorch实现Transformer 2658.4.1 Transformer背景介绍 2658.4.2 创建EncoderDecoder 2668.4.5 构建MultiHeadedAttention 2728.5 对Transformer优化[新增] 2658.5.1 注意力机制创新GQA/MQA/MLA 2658.5.3 长上下文架构(CSA & HCA) 2688.5.4 改进残差连接(如HC,mHC) 2688.5.6 底层算子优化FlashAttention(1-4) 2729.1.2 手工标注图像的真实值(Ground Truth) 2909.2.2非极大值抑制(NMS,Non Maximum Suppression) 2999.2.3边框回归(Bounding Box Regression) 30011.5 PyTorch实现人脸检测与识别 34512.2.1 PyTorch提供的预处理模块 35113.1 PyTorch实现注意力Decoder 365第14 章 用Vision Transformer进行图像分类 38216.1.3 用PyTorch实现Deep Dream 40916.2.3 用PyTorch实现神经网络风格迁移 41716.4 PyTorch实现DiscoGAN 42716.4.4 用PyTorch实现从边框生成鞋子 43318.2.1 Q Learning主要流程 44618.3 用PyTorch实现Q Learning 44818.3.1 定义Q-Learing主函数 44918.4.2 用PyTorch实现SARSA算法 45119.1.1 Q-Learning方法的局限性 45419.1.2 用DL处理RL需要解决的问题 45519.2 用PyTorch实现 DQN算法 458