动手学深度学习——PyTorch版

"《动手学深度学习》是Aston Zhang、Zachary C. Lipton、Mu Li和Alexander J. Smola合作编写的深度学习教程，特别关注PyTorch框架的应用。本书覆盖了深度学习的基础知识，包括数据操作、预处理、线性代数、微积分、自动微分、概率等内容，并逐步介绍了线性神经网络的实现。" 在本教程中，作者首先介绍了安装和符号的使用，然后深入讲解了深度学习的基础知识： 1. 数据操作： - 入门：介绍如何在Python中进行基本的数据操作。 - 运算符：讨论基本的数学运算符及其在Python中的应用。 - 广播机制：解释如何在不同形状的数组间进行运算。 - 索引和切片：展示如何访问和修改数组的特定部分。 - 节省内存：讨论如何有效地管理内存以优化性能。 - 转换为其他Python对象：介绍如何将数据转换为Python的其他类型，如列表或字典。 2. 数据预处理： - 读取数据集：演示如何加载和处理各种数据集。 - 处理缺失值：讲解如何处理数据中缺失的部分。 - 转换为张量格式：将数据转换为PyTorch的张量类型以便进行计算。 3. 线性代数： - 标量、向量、矩阵和张量的概念和运算。 - 张量算法的基本性质，如加法、乘法和转置。 - 降维操作，如展平张量。 - 点积、矩阵-向量积和矩阵-矩阵乘法。 - 范数的计算，用于衡量向量或矩阵的大小。 4. 微积分： - 导数和微分，理解函数变化率。 - 偏导数，处理多变量函数的变化。 - 梯度，用于描述函数在多维度上的斜率。 - 链式法则，用于复合函数的微分。 5. 自动微分： - 通过实例介绍自动微分的基本概念。 - 非标量变量的反向传播，解释如何计算复杂网络的梯度。 - 分离计算，如何处理独立的计算分支。 - 在Python控制流中计算梯度的方法。 6. 概率： - 基本概率论概念，如概率、事件和条件概率。 - 多个随机变量的处理，如联合概率和条件概率。 - 期望和方差，作为随机变量的统计特性。 7. 查阅文档： - 如何在Python中查找模块中的函数和类。 - 查找特定函数和类的使用方法，以正确地调用和理解API。 8. 线性神经网络： - 线性回归是基础，介绍其基本元素、矢量化加速、正态分布与平方损失的关系，以及如何从线性回归扩展到深度网络。 - 线性回归的从零开始实现，包括生成数据集、读取数据、初始化模型参数、定义模型和损失函数等步骤。 本书旨在帮助读者掌握深度学习的基本原理和PyTorch框架，为更高级的深度学习实践打下坚实的基础。通过实践项目和理论讲解，读者可以逐步提升在深度学习领域的技能。