PyTorch 編程技術與深度學習
袁梅宇
- 出版商: 清華大學
- 出版日期: 2022-06-01
- 售價: $534
- 貴賓價: 9.5 折 $507
- 語言: 簡體中文
- ISBN: 7302602085
- ISBN-13: 9787302602088
-
相關分類:
DeepLearning
立即出貨 (庫存 < 4)
買這商品的人也買了...
-
$356MAC應用大全 -
$281PyTorch 深度學習 (Deep Learning with PyTorch: A practical approach to building neural network models using PyTorch) -
NumPy 高速運算徹底解說 - 六行寫一隻程式？你真懂深度學習？手工算給你看！$750$638 -
強者用 PyTorch：實作史上最經典 AI 範例$690$587 -
$301Python 自然語言處理實戰 (Hands-On Natural Language Processing with Python: A practical guide to applying deep learning architectures to your NLP applications) -
$403PyTorch 生成對抗網絡編程 -
PyQt 從入門到精通$458$431 -
深入淺出 Embedding：原理解析與應用實踐$594$564 -
$352深度學習原理與 PyTorch 實戰 -
Python 實現 Web UI 自動化測試實戰：Selenium 3/4 + unittest/Pytest + GitLab + Jenkins$599$569 -
$517深度學習 — 理論、方法與 PyTorch 實踐 -
現代 C++ 語言核心特性解析$719$683 -
Python 網路爬蟲：大數據擷取、清洗、儲存與分析 -- 王者歸來, 2/e$750$593 -
$454自然語言處理 NLP 從入門到項目實戰：Python 語言實現 -
$662PyTorch 深度學習和圖神經網絡 捲2 開發應用 -
NLP 大神 RNN 網路：Python 原始程式碼手把手帶你寫$890$757 -
超高效！Python × Excel 資料分析自動化：輕鬆打造你的完美工作法！$600$468 -
$305Python數據分析與挖掘實戰 -
$407智能推薦系統開發實戰 -
$441pandas 數據處理與分析 -
$254NoSQL數據庫從入門到實戰（微課視頻版） -
動手學推薦系統 — 基於 PyTorch 的算法實現 (微課視頻版)$403$379 -
Python 深度強化學習 — 使用 PyTorch, TensorFlow 和 OpenAI$414$393 -
Excel × ChatGPT × Power Automate 自動化處理．效率提昇便利技$499$394 -
AI 繪圖邁向視覺設計$720$569
相關主題
商品描述
《PyTorch編程技術與深度學習》講述深度學習的基本原理，使用PyTorch展示涉及的深度學習算法。通過理論講解和編程操作，使讀者瞭解並掌握深度學習的原理和PyTorch編程技能，拉近理論與實踐的距離。全書共分9章，主要內容包括PyTorch介紹、PyTorch基礎編程、深度學習快速入門、神經網絡訓練與優化、捲積神經網絡原理、捲積神經網絡示例、詞嵌入模型、循環神經網絡原理、NLP示例。書中不但涵蓋成熟的捲積神經網絡和循環神經網絡的原理和示例，還包含一些新的如Transformer和知識蒸餾的內容。全書源代碼全部在Python 3.7.4 + PyTorch 1.9.0版本上調試成功。 《PyTorch編程技術與深度學習》適合深度學習和PyTorch編程人員作為入門和提高的技術參考書使用，也適合用作電腦專業高年級本科生和研究生的教材或教學參考書。
目錄大綱
第1章 PyTorch介紹 1
1.1 深度學習與PyTorch簡介 2
1.1.1 深度學習介紹 2
1.1.2 PyTorch介紹 3
1.2 PyTorch安裝 6
1.2.1 Anaconda下載 6
1.2.2 Windows下安裝PyTorch 7
1.2.3 Linux Ubuntu下安裝PyTorch 8
1.2.4 Anaconda管理 9
1.3 常用數據集 12
1.3.1 MNIST數據集 12
1.3.2 Fashion-MNIST數據集 14
1.3.3 CIFAR-10數據集 17
1.3.4 Dogs vs. Cats數據集 19
1.3.5 AG_NEWS數據集 20
1.3.6 WikiText2數據集 22
1.3.7 QIQC數據集 23
1.3.8 Multi30k數據集 24
習題 25
第2章 PyTorch基礎編程 27
2.1 張量數據操作 28
2.1.1 張量簡介 28
2.1.2 張量操作 28
2.1.3 廣播機制 45
2.1.4 在GPU上使用Tensor 48
2.2 自動求導 50
2.2.1 自動求導概念 50
2.2.2 自動求導示例 50
2.3 數據集API 53
2.3.1 自定義數據集類 53
2.3.2 DataLoader類 55
2.4 torchvision工具示例 57
2.4.1 編寫簡單的圖像數據集 57
2.4.2 Transforms模塊 59
2.4.3 Normalize用法 61
2.4.4 ImageFolder用法 62
2.5 torchtext工具示例 64
2.5.1 編寫文本預處理程序 64
2.5.2 使用torchtext 67
習題 70
第3章 深度學習快速入門 71
3.1 線性回歸 72
3.1.1 線性回歸介紹 72
3.1.2 線性回歸實現 76
3.2 使用nn模塊構建線性回歸模型 82
3.2.1 使用nn.Linear訓練線性回歸模型 82
3.2.2 使用nn.Sequential訓練線性回歸模型 85
3.2.3 使用nn.Module訓練線性回歸模型 87
3.3 邏輯回歸 88
3.3.1 邏輯回歸介紹 89
3.3.2 邏輯回歸實現 91
3.4 Softmax回歸 96
3.4.1 Softmax回歸介紹 96
3.4.2 Softmax回歸實現 98
3.5 神經網絡 103
3.5.1 神經元 103
3.5.2 激活函數 104
3.5.3 神經網絡原理 108
3.5.4 PyTorch神經網絡編程 111
習題 116
第4章 神經網絡訓練與優化 119
4.1 神經網絡迭代概念 120
4.1.1 訓練誤差與泛化誤差 120
4.1.2 訓練集、驗證集和測試集
劃分 121
4.1.3 偏差與方差 123
4.2 正則化方法 124
4.2.1 提前終止 125
4.2.2 正則化 126
4.2.3 Dropout 127
4.3 優化算法 129
4.3.1 小批量梯度下降 130
4.3.2 Momentum算法 131
4.3.3 RMSProp算法 134
4.3.4 Adam算法 137
4.4 PyTorch的初始化函數 139
4.4.1 普通初始化 139
4.4.2 Xavier初始化 140
4.4.3 He初始化 141
習題 142
第5章 捲積神經網絡原理 145
5.1 CNN介紹 146
5.1.1 CNN與圖像處理 146
5.1.2 捲積的基本原理 146
5.1.3 池化的基本原理 155
5.2 簡單的CNN網絡 158
5.2.1 定義網絡模型 158
5.2.2 模型訓練 160
5.2.3 模型評估 160
5.2.4 主函數 161
5.3 PyTorch實現LeNet-5網絡 163
5.3.1 LeNet-5介紹 163
5.3.2 LeNet-5實現MNIST手寫數字識別 164
5.3.3 LeNet-5實現CIFAR-10圖像識別 168
習題 170
第6章 捲積神經網絡示例 171
6.1 經典CNN網絡 172
6.1.1 VGG 172
6.1.2 ResNet 173
6.1.3 Inception 175
6.1.4 Xception 178
6.1.5 ResNet代碼研讀 179
6.2 使用預訓練的CNN 185
6.2.1 特徵抽取 186
6.2.2 微調 194
6.3 知識蒸餾 197
6.3.1 知識蒸餾原理 197
6.3.2 知識蒸餾示例 199
6.4 CNN可視化 204
6.4.1 中間激活可視化 205
6.4.2 過濾器可視化 212
習題 214
第7章 詞嵌入模型 215
7.1 詞嵌入模型介紹 216
7.1.1 獨熱碼 216
7.1.2 詞嵌入 222
7.2 詞嵌入學習 225
7.2.1 詞嵌入學習的動機 226
7.2.2 Skip-Gram算法 227
7.2.3 CBOW算法 229
7.2.4 負採樣 230
7.2.5 GloVe算法 234
7.3 Word2Vec算法實現 235
7.3.1 Skip-Gram實現 235
7.3.2 CBOW實現 239
7.3.3 負採樣Skip-Gram實現 243
習題 248
第8章 循環神經網絡原理 251
8.1 RNN介紹 252
8.1.1 有記憶的神經網絡 252
8.1.2 RNN用途 255
8.2 基本RNN模型 259
8.2.1 基本RNN原理 259
8.2.2 基本RNN的訓練問題 263
8.2.3 基本RNN編程 265
8.2.4 基本RNN示例 269
8.3 LSTM 275
8.3.1 LSTM原理 275
8.3.2 LSTM編程 279
8.4 GRU 280
8.4.1 GRU原理 280
8.4.2 GRU編程 282
8.5 註意力機制 283
8.5.1 Seq2Seq模型的缺陷 283
8.5.2 機器翻譯中的註意力機制 284
8.6 Transformer模型 286
8.6.1 編碼器 287
8.6.2 多頭註意力層 288
8.6.3 前向層 289
8.6.4 位置編碼 289
8.6.5 解碼器 290
8.6.6 解碼器層 291
8.6.7 Transformer的PyTorch
實現 291
習題 292
第9章 NLP示例 295
9.1 情感分析 296
9.1.1 AG NEWS示例 296
9.1.2 Quora競賽示例 301
9.2 語言模型 310
9.3 文本序列數據生成 316
9.3.1 向莎士比亞學寫詩 316
9.3.2 神經機器翻譯 324
習題 333
參考文獻 335
