PyTorch 機器學習從入門到實戰
校寶在線 孫琳 蔣陽波 汪建成 項斌
- 出版商: 機械工業
- 出版日期: 2018-11-12
- 定價: $354
- 售價: 7.9 折 $280
- 語言: 簡體中文
- 裝訂: 平裝
- ISBN: 7111610458
- ISBN-13: 9787111610458
-
相關分類:
DeepLearning、Machine Learning
立即出貨 (庫存 < 4)
買這商品的人也買了...
-
C++ Primer Plus, 6/e (中文版) (C++ Primer Plus, 6/e (Developer's Library))$780$616 -
$403深度學習 : Caffe 之經典模型詳解與實戰 -
今天不學機器學習，明天就被機器取代：從 Python 入手+演算法$590$502 -
Python 自動化的樂趣｜搞定重複瑣碎 & 單調無聊的工作 (中文版) (Automate the Boring Stuff with Python: Practical Programming for Total Beginners)$500$395 -
深度學習快速入門 — 使用 TensorFlow (Getting started with TensorFlow)$360$180 -
預測分析 : Python 語言實現$354$336 -
初探機器學習｜使用 Python (Thoughtful Machine Learning with Python)$480$379 -
$403深度學習入門之 PyTorch -
$332深度學習框架 PyTorch : 入門與實踐 -
Intel Edison智慧硬體開發 2018 --Base on Yocto Project$590$502 -
$374深度學習之 PyTorch 實戰電腦視覺 -
Python 資料科學與人工智慧應用實務$650$553 -
比 Tensorflow 還精美的人工智慧套件：PyTorch 讓你愛不釋手$620$527 -
Python GUI 設計活用 tkinter 之路 王者歸來$580$522 -
$505嵌入式 Linux 系統開發：基於 Yocto Project -
$311Python 3 數據分析與機器學習實戰 -
$301神經網絡與 PyTorch 實戰 -
一直學不會 Tensorflow？ PyTorch 更好用更強大更易懂!$540$486 -
AI視覺大全：用最好用的 PyTorch 實作$540$459 -
PyTorch 深度學習與自然語言中文處理$420$328 -
圖解 Linux 核心工作原理｜透過實作與圖解學習OS與硬體的基礎知識$450$356 -
實戰人工智慧之深度強化學習｜使用 PyTorch x Python$500$395 -
$374深度學習原理與 PyTorch 實戰 -
$458深入淺出 PyTorch — 從模型到源碼 -
深度學習 -- 從入門到實戰 (使用 MATLAB)(附範例光碟)$460$414
相關主題
商品描述
近年來，基於深度學習的人工智能掀起了一股學習的熱潮。本書是使用PyTorch深度學習框架的入門圖書，從深度學習原理入手，由淺入深，闡述深度學習中神經網絡、深度神經網絡、捲積神經網絡、自編碼器、循環神經網絡等內容，同時穿插學習PyTorch框架的各個知識點和基於知識點的實例。*後，綜合運用PyTorch和深度學習知識來解決實踐中的具體問題，比如圖像識別、文本分類和命令詞識別等。可以說，本書是深度學習和PyTorch的入門教程，同時也引領讀者進入機遇和挑戰共存的人工智能領域。
目錄大綱
序
前言
第1章深度學習介紹1
1.1人工智能、機器學習與深度學習2
1.2深度學習工具介紹5
1.3 PyTorch介紹7
1.4你能從本書中學到什麼9
第2章PyTorch安裝和快速上手11
2.1 PyTorch安裝12
2.1.1 Anaconda安裝12
2.1.2 PyTorch安裝19
2.2 Jupyter Notebook使用19
2.3 NumPy基礎知識22
2.3.1基本概念23
2.3.2創建數組24
2.3.3基本運算26
2.3.4索引、切片和迭代27
2.3.5數組賦值32
2.3.6更改數組的形狀33
2.3.7組合、拆分數組34
2.3.8廣播35
2.4 PyTorch基礎知識37
2.4.1 Tensor簡介37
2.4.2 Variable簡介38
2.4.3 CUDA簡介38
2.4.4模型的保存與加載39
2.4.5第一個PyTorch程序40
第3章神經網絡43
3.1神經元與神經網絡44
3.2激活函數46
3.2.1 Sigmoid47
3.2.2 Tanh48
3.2.3 Hard Tanh49
3.2.4 ReLU50
3.2.5 ReLU的擴展51
3.2.6 Softmax54
3.2.7 LogSoftmax55
3.3前向算法55
3.4損失函數57
3.4.1損失函數的概念57
3.4 .2回歸問題57
3.4.3分類問題58
3.4.4 PyTorch中常用的損失函數59
3.5反向傳播算法62
3.6數據的準備65
3.7 PyTorch實例：單層神經網絡實現66
第4章深度神經網絡及訓練70
4.1深度神經網絡72
4.1.1神經網絡為何難以訓練72
4.1.2改進策略74
4.2梯度下降75
4.2.1隨機梯度下降75
4.2.2 Mini-Batch梯度下降75
4.3優化器77
4.3.1 SGD77
4.3 .2 Momentum77
4.3.3 AdaGrad78
4.3.4 RMSProp79
4.3.5 Adam80
4.3.6選擇正確的優化算法81
4.3.7優化器的使用實例82
4.4正則化85
4.4.1參數規範懲罰85
4.4.2 Batch Normalization86
4.4.3 Dropout87
4.5 PyTorch實例：深度神經網絡實現89
第5章卷積神經網絡93
5.1計算機視覺95
5.1.1人類視覺和計算機視覺95
5.1.2特徵提取95
5.1.3數據集97
5.2卷積神經網絡100
5.2.1卷積層102
5.2.2池化層104
5.2.3經典卷積神經網絡105
5.3 MNIST數據集上卷積神經網絡的實現110
第6章嵌入與表徵學習114
6.1 PCA115
6.1.1 PCA原理115
6.1.2 PCA的PyTorch實現116
6.2自編碼器117
6.2.1自編碼器原理118
6.2 .2 PyTorch實例：自編碼器實現118
6.2.3 PyTorch實例：基於自編碼器的圖形去噪122
6.3詞嵌入125
6.3.1詞嵌入原理125
6.3.2 PyTorch實例：基於詞向量的語言模型實現128
第7章序列預測模型132
7.1序列數據處理133
7.2循環神經網絡134
7.3 LSTM和GRU138
7.4 LSTM在自然語言處理中的應用142
7.4.1詞性標註142
7.4.2情感分析144
7.5序列到序列網絡145
7.5.1序列到序列網絡原理145
7.5.2注意力機制146
7.6 PyTorch實例：基於GRU和Attention的機器翻譯147
7.6.1公共模塊147
7.6.2數據處理147
7.6.3模型定義151
7.6.4訓練模塊定義155
7.6.5訓練和模型保存161
7.6.6評估過程162
第8章PyTorch項目實戰165
8.1圖像識別和遷移學習——貓狗大戰166
8.1.1遷移學習介紹166
8.1.2計算機視覺工具包166
8.1.3貓狗大戰的PyTorch實現167
8.2文本分類172
8.2.1文本分類的介紹173
8.2.2計算機文本工具包174
8.2.3基於CNN的文本分類的PyTorch實現174
8.3語音識別系統介紹182
8.3.1語音識別介紹182
8.3.2 命令詞識別的PyTorch實現183
