PyTorch深度學習實戰:建構、訓練與部署神經網路模型(原書第2版) PyTorch Recipes: A Problem-Solution Approach to Build, Train and Deploy Neural Network Models 2nd ed. Edition
Pradeepta Mishra 譯 王文通//劉強
- 出版商: 機械工業
- 出版日期: 2024-08-01
- 定價: $654
- 售價: 8.5 折 $556
- 語言: 簡體中文
- 頁數: 276
- 裝訂: 平裝
- ISBN: 7111759192
- ISBN-13: 9787111759195
-
相關分類:
DeepLearning
- 此書翻譯自: Pytorch Recipes: A Problem-Solution Approach to Build, Train and Deploy Neural Network Models 2/E
下單後立即進貨 (約4週~6週)
買這商品的人也買了...
-
$203大數據分析 : 數據挖掘必備算法示例詳解
-
$352Python 與機器學習實戰:決策樹、集成學習、支持向量機與神經網絡算法詳解及編程實現
-
$699$552 -
$420$328 -
$454區塊鏈財稅管理與 Corda 開發指南
-
$454IPFS 原理與實踐
-
$500基於區塊鏈的供應鏈信息共享機制與管理模式研究
-
$254超級帳本 HyperLedger Fabric 區塊鏈開發實戰
-
$550$429 -
$474$450 -
$474$450 -
$305機器學習 — 原理、算法與 Python 實戰 (微課視頻版)
-
$894$849 -
$720$562 -
$880$695 -
$500裝備體系貢獻率評估 — 理論、方法與應用
-
$980$774 -
$2,500$2,375 -
$680$646 -
$505元宇宙通論
-
$594$564 -
$690$545 -
$1,163深度學習精粹與 PyTorch 實踐
-
$407人人都能開發 RPA 機器人:UiPath 從入門到實戰
-
$880$695
相關主題
商品描述
本書提供使用PyTorch 開發深度學習應用程式的基本原理和方法,
旨在為讀者介紹機器學習工程師與資料科學家在解決深度學習問題中所採用的主流現代演算法與技術,
緊跟深度學習領域的最新發展趨勢,助力初學者熟練PyTorch。
本書的核心優勢在於,採用易於理解的問題與解決方案的結構,
全面而詳盡地講解了PyTorch的使用方法,並提供了大量相應的程式碼範例,以便將這些概念順利應用於實際專案中。
本書適合對電腦視覺、自然語言處理等領域有興趣的人士閱讀。
對於希望在深度學習任務中運用PyTorch 的讀者,本書將是一本實用的指南。
目錄大綱
目 錄
譯者序
關於作者
關於技術審查員
致謝
前言
第1 章 PyTorch 入門,張量與張量運算 1
什麼是PyTorch 5
PyTorch 安裝 5
秘技1-1 張量的使用 7
小結 36
第2 章 使用PyTorch 中的機率分佈 37
秘籍2-1 採樣張量 38
秘籍2-2 可變張量 43
秘籍2-3 統計學基礎 45
秘籍2-4 梯度計算 51
秘籍2-5 張量運算之一 54
秘籍 2-6 張量運算之二 55
秘籍2-7 統計分佈 58
小結 62
第3 章 使用PyTorch 中的捲積神經網路與循環神經網路 63
秘籍 3-1 設定損失函數 63
秘籍3-2 估計損失函數的導數 67
秘籍3-3 模型微調 73
秘籍3-4 最佳化函數選擇 75
秘籍3-5 進一步最佳化函數 80
秘籍3-6 實現卷積神經網路 84
秘籍3-7 模型重載 92
秘籍3-8 實現循環神經網路 96
秘籍3-9 實現用於回歸問題的循環神經網路 102
秘籍3-10 使用PyTorch 內建的循環神經網路函數 104
秘籍3-11 使用自編碼器(Autoencoder) 108
秘籍 3-12 使用自編碼器實現結果微調 113
秘籍3-13 約束模型過擬合 116
秘籍3-14 可視化模型過擬合 119
秘籍3-15 初始化權重中的丟棄率 123
秘籍3-16 新增數學運算 125
秘籍3-17 循環神經網路中的嵌入層 128
小結 130
第4 章 PyTorch 中的神經網路簡介 131
秘籍4-1 激活函數的使用 131
秘籍4-2 激活函數視覺化 139
秘籍4-3 基本的神經網路模型 142
秘籍4-4 張量微分 146
小結 148
第5 章 PyTorch 中的監督學習 149
秘籍5-1 監督模型的資料準備 153
秘籍5-2 前向和反向傳播神經網路 155
秘籍5-3 最佳化與梯度計算 158
秘籍5-4 查看預測結果 160
秘籍5-5 監督模型邏輯迴歸 164
小結 168
第6 章 使用PyTorch 對深度學習模型進行微調 169
秘籍6-1 建構順序神經網路 170
秘籍6-2 決定批量的大小 172
秘籍6-3 確定學習率 175
秘籍6-4 執行平行訓練 180
小結 182
第7 章 使用PyTorch 進行自然語言處理 183
秘籍7-1 詞嵌入 185
秘籍7-2 使用PyTorch 建立CBOW 模型 190
秘籍7-3 LSTM 模型 194
小結 199
第8 章 分散式PyTorch 建模、模型最佳化與部署 200
秘籍8-1 分散式Torch 架構 200
秘技8-2 Torch 分散式元件 202
秘籍8-3 設定分佈式PyTorch 203
秘籍8-4 載入資料到分散式PyTorch 205
秘籍8-5 PyTorch 中的模型量化 208
秘籍8-6 量化觀察器應用 211
秘籍8-7 使用MNIST 資料集應用量化技術 213
小結 225
第9 章 影像與音訊的資料增強、特徵工程與擷取 226
秘籍9-1 音訊處理中的頻譜圖 226
秘籍9-2 安裝Torchaudio 229
秘籍9-3 將音訊檔案載入到PyTorch 中 231
秘籍9-4 安裝用於音訊的Librosa 庫 232
秘籍9-5 頻譜圖變換 234
秘籍9-6 Griffin-Lim 變換 236
秘籍9-7 使用濾波器組進行梅爾尺度轉換 237
秘籍9-8 Librosa 的梅爾尺度轉換與Torchaudio 版本比較 240
秘籍9-9 使用Librosa 和Torchaudio 進行MFCC 和LFCC 243
秘技9-10 影像資料增強 247
小結 250
第10 章 PyTorch 模型可解釋性和Skorch 251
秘籍10-1 安裝Captum 庫 252
秘籍10-2 主要歸因:深度學習模型的特徵重要性 253
秘籍10-3 深度學習模型中神經元的重要性 259
秘技10-4 安裝Skorch 庫 260
秘技10-5 Skorch 元件在神經網路分類器的應用 262
秘籍10-6 Skorch 神經網路迴歸器 265
秘籍10-7 Skorch 模型的保存與載入 269
秘技10-8 使用Skorch 創建神經網路模型管線 270
秘技10-9 使用Skorch 進行神經網路模型的輪次評分 272
秘技10-10 使用Skorch 進行超參數的網格搜尋 274
小結 276