比 Tensorflow 還精美的人工智慧套件:PyTorch 讓你愛不釋手
陳雲
- 出版商: 佳魁資訊
- 出版日期: 2018-07-06
- 定價: $620
- 售價: 8.5 折 $527
- 語言: 繁體中文
- 頁數: 368
- ISBN: 9863796670
- ISBN-13: 9789863796671
-
相關分類:
DeepLearning、TensorFlow、人工智慧
- 此書翻譯自: 深度學習框架 PyTorch : 入門與實踐
-
相關翻譯:
深度學習框架 PyTorch:入門與實踐, 2/e (簡中版)
立即出貨(限量) (庫存=1)
買這商品的人也買了...
-
$360$281 -
$590$460 -
$857深度學習 (Deep Learning)
-
$580$458 -
$403深度學習入門之 PyTorch
-
$450$356 -
$500$390 -
$690$587 -
$474$450 -
$332深度學習框架 PyTorch : 入門與實踐
-
$408強化學習精要:核心算法與 TensorFlow 實現
-
$374深度學習之 PyTorch 實戰電腦視覺
-
$580$493 -
$580$493 -
$520$442 -
$500$390 -
$280Keras 深度學習實戰
-
$480$379 -
$690$538 -
$480$379 -
$450$351 -
$540$486 -
$540$459 -
$420$328 -
$550$495
相關主題
商品描述
選擇PyTorch 的原因:
簡潔優雅的設計
統一好用的介面
追風逐電的速度
變化無方的靈活性
■ 簡潔::PyTorch 的設計追求最少的封裝,儘量避免重複造輪子。簡潔的設計帶來的另一個好處是程式易於了解。
■ 速度:PyTorch 的靈活性不以速度為代價,在許多評測中,PyTorch
的速度表現勝過TensorFlow、Keras 等架構。
■ 好用:PyTorch 是所有的架構中物件導向設計的最優雅的。PyTorch
的針對對象的介面設計來自Torch,而Torch 的介面設計以靈活好用而著稱。PyTorch 的設計最符合人的思維,所思即所得,不需考慮太多關於架構本身的束縛。
■ 活躍的社區:PyTorch 提供完整的文件,循序漸進的指南,作者親自維護的論壇供使用者交流和求教問題。Facebook 人工智慧研究院對PyTorch 提供強力支持。
本書內容由淺入深,無論是深度學習的初學者,還是初次接觸PyTorch的研究人員,都能在學習本書的過程中快速掌握PyTorch。即使是有PyTorch使用經驗者,也能夠獲得對PyTorch不一樣的理解。
適用:PyTorch、深度學習初學者、具PyTorch使用經驗者。
作者簡介
陳雲
Python程式師、Linux愛好者、PyTorch源碼貢獻者,主要研究電腦視覺、機器學習。
「2017知乎-看山杯機器學習挑戰賽」一等獎,「2017天池醫療AI大賽」第八名。
熱衷推廣PyTorch,活躍於PyTorch論壇和知乎相關討論區。
目錄大綱
01 PyTorch 簡介
1.1 PyTorch 的誕生
1.2 常見的深度學習架構簡介
1.3 屬於動態圖的未來
1.4 為什麼選擇PyTorch
1.5 星火燎原
1.6 fast.ai 放棄Keras+TensorFlow 選擇PyTorch
02 快速入門
2.1 安裝與設定
2.2 PyTorch 入門第一步
03 Tensor 和autograd
3.1 Tensor
3.2 autograd
04 神經網路工具箱nn
4.1 nn.Module
4.2 常用的神經網路層
4.3 最佳化器
4.4 nn.functionalnn
4.5 初始化策略
4.6 nn.Module 深入分析
4.7 nn 和autograd 的關係
4.8 小試牛刀:用50 行程式架設ResNet
05 PyTorch 中常用的工具
5.1 資料處理
5.2 電腦視覺工具套件:torchvision
5.3 視覺化工具
5.4 使用GPU 加速:cuda
5.5 持久化
06 PyTorch 實戰指南
6.1 程式設計實戰:貓和狗二分類
6.2 PyTorch Debug 指南
07 AI 插畫師:產生對抗網路
7.1 GAN 的原理簡介
7.2 用GAN 產生動漫圖示
7.3 實驗結果分析
08 AI 藝術家:神經網路風格移轉
8.1 風格移轉原理介紹
8.2 用PyTorch 實現風格移轉
8.3 實驗結果分析
09 AI 詩人:用RNN 寫詩
9.1 自然語言處理的基礎知識
9.2 CharRNN
9.3 用PyTorch 實現CharRNN
9.4 實驗結果分
10 Image Caption:讓神經網路看圖講故事
10.1 影像描述介紹
10.2 資料
10.3 模型與訓練
10.4 實驗結果分析
11 展望與未來
11.1 PyTorch 的侷限與發展
11.2 使用建議