PyTorch 中的人工智能与机器学习（英文电子书）

开发者的生成式人工智能和机器学习指南 主要内容概览 第一部分（第 1-11 章）：PyTorch 构建机器学习模型 PyTorch 基础 介绍机器学习的基本概念，对比传统编程与机器学习的差异，阐述机器学习通过数据和标签推导规则的核心逻辑。 讲解 PyTorch 的安装方法，包括在本地环境、PyCharm IDE 和 Google Colab 中的安装与使用。 通过简单案例（如拟合线性关系 y=2x-1）展示 PyTorch 构建神经网络的基本流程，包括模型定义、损失函数、优化器和训练循环。 计算机视觉 介绍计算机视觉的基本任务，以 Fashion MNIST 数据集为例，讲解如何构建简单的神经网络进行服装分类。 深入讲解卷积神经网络（CNN），包括卷积操作、池化层的作用，以及如何构建 CNN 处理更复杂的图像识别任务（如区分马和人、猫和狗等）。 探讨图像增强、迁移学习等技术，以提高模型性能和泛化能力，如使用预训练的 Inception 模型进行迁移学习。 数据处理 介绍 PyTorch 的数据生态系统，包括torch.utils.data.Dataset和DataLoader的使用，以及如何创建自定义数据集。 讲解常见的数据集类型（如 ImageFolder、DatasetFolder、FakeData），以及数据的提取、转换和加载（ETL）过程，包括数据并行加载优化。 自然语言处理（NLP） 讲解文本的编码方式，包括分词、序列转换、填充和截断等预处理步骤。 介绍词嵌入（Embeddings）的概念，以及如何使用嵌入层构建文本分类模型，如 sarcasm 检测。 讲解循环神经网络（RNN）、长短期记忆网络（LSTM）在 NLP 中的应用，包括双向 LSTM 和堆叠 LSTM，以及如何使用预训练嵌入（如 GloVe）提升模型性能。 序列和时间序列数据 介绍时间序列数据的特点，如趋势、季节性、自相关性和噪声。 讲解如何构建窗口数据集用于时间序列预测，以及使用深度学习模型（如 DNN、CNN、RNN、LSTM、GRU）进行序列预测，结合实际数据集（如 NASA 天气数据）进行实践。 第二部分（第 12-20 章）：生成式 AI 场景 涵盖生成式 AI 的相关内容，从 Transformer 的工作原理到扩散模型（如 Midjourney 的图像生成）。 讲解大型语言模型（LLM）的微调、检索增强生成（RAG）等高级技术。 其他重要内容 模型部署与推理 介绍张量（Tensors）作为 PyTorch 的基本数据结构，在数据输入输出中的作用。 讲解模型部署工具，如 TorchServe 和 Flask 框架，如何将训练好的 PyTorch 模型部署为服务，提供推理功能。 实践案例与技巧 包含多个真实案例研究，涉及科学研究、商业智能、金融分析、机器学习和地理空间领域等。 探讨模型性能优化、可扩展性、安全性等关键话题，以及声明式可视化、互操作性、AI 集成等新兴趋势。 书籍特点 代码优先：强调通过实际代码示例讲解概念，适合忙碌的开发者快速入门。 全面性：涵盖计算机视觉、NLP、时间序列预测、生成式 AI 等多个领域。 实用性：提供从原型开发到大规模部署的全流程指导，包含大量实践技巧和最佳实践。 本书适合对 AI 和机器学习感兴趣的开发者、研究人员和分析师，无论是否有深厚的数学背景，都能通过本书掌握使用 PyTorch 构建和部署机器学习模型的技能。