掃一掃
關(guān)注中圖網(wǎng)
官方微博
包郵 PythonPYTORCH深度學(xué)習(xí)
開(kāi)本：
其他
頁(yè)數(shù)：
193
本類(lèi)榜單：計(jì)算機(jī)/網(wǎng)絡(luò)銷(xiāo)量榜
本類(lèi)五星書(shū)更多>
-
>
全國(guó)計(jì)算機(jī)等級(jí)考試最新真考題庫(kù)模擬考場(chǎng)及詳解·二級(jí)MSOffice高級(jí)應(yīng)用
-
>
決戰(zhàn)行測(cè)5000題(言語(yǔ)理解與表達(dá))
-
>
軟件性能測(cè)試.分析與調(diào)優(yōu)實(shí)踐之路
-
>
第一行代碼Android
-
>
JAVA持續(xù)交付
-
>
EXCEL最強(qiáng)教科書(shū)(完全版)(全彩印刷)
-
>
深度學(xué)習(xí)
中圖價(jià):¥35.1
加入購(gòu)物車(chē)
PythonPYTORCH深度學(xué)習(xí) 版權(quán)信息
- ISBN：9787115508980
- 條形碼：9787115508980 ; 978-7-115-50898-0
- 裝幀：一般膠版紙
- 冊(cè)數(shù)：暫無(wú)
- 重量：暫無(wú)
- 所屬分類(lèi)：>
PythonPYTORCH深度學(xué)習(xí) 本書(shū)特色
PyTorch是Facebook于2017年初在機(jī)器學(xué)習(xí)和科學(xué)計(jì)算工具Torch的基礎(chǔ)上，針對(duì)Python語(yǔ)言發(fā)布的一個(gè)全新的機(jī)器學(xué)習(xí)工具包，一經(jīng)推出便受到了業(yè)界的廣泛關(guān)注和討論，目前已經(jīng)成為機(jī)器學(xué)習(xí)從業(yè)人員的研發(fā)工具。 《PyTorch深度學(xué)習(xí)》是使用PyTorch構(gòu)建神經(jīng)網(wǎng)絡(luò)模型的實(shí)用指南，內(nèi)容分為9章，包括PyTorch與深度學(xué)習(xí)的基礎(chǔ)知識(shí)、神經(jīng)網(wǎng)絡(luò)的構(gòu)成、神經(jīng)網(wǎng)絡(luò)的知識(shí)、機(jī)器學(xué)習(xí)基礎(chǔ)知識(shí)、深度學(xué)習(xí)在計(jì)算機(jī)視覺(jué)中的應(yīng)用、深度學(xué)習(xí)在序列數(shù)據(jù)和文本中的應(yīng)用、生成網(wǎng)絡(luò)、現(xiàn)代網(wǎng)絡(luò)架構(gòu)，以及PyTorch與深度學(xué)習(xí)的未來(lái)走向。 《PyTorch深度學(xué)習(xí)》適合對(duì)深度學(xué)習(xí)領(lǐng)域感興趣且希望一探PyTorch的業(yè)內(nèi)人員閱讀；具備其他深度學(xué)習(xí)框架使用經(jīng)驗(yàn)的讀者，也可以通過(guò)本書(shū)掌握PyTorch的用法。
PythonPYTORCH深度學(xué)習(xí) 內(nèi)容簡(jiǎn)介
PyTorch是Facebook于2017年初在機(jī)器學(xué)習(xí)和科學(xué)計(jì)算工具Torch的基礎(chǔ)上，針對(duì)Python語(yǔ)言發(fā)布的一個(gè)全新的機(jī)器學(xué)習(xí)工具包，一經(jīng)推出便受到了業(yè)界的廣泛關(guān)注和討論，目前已經(jīng)成為機(jī)器學(xué)習(xí)從業(yè)人員的研發(fā)工具。 《PyTorch深度學(xué)習(xí)》是使用PyTorch構(gòu)建神經(jīng)網(wǎng)絡(luò)模型的實(shí)用指南，內(nèi)容分為9章，包括PyTorch與深度學(xué)習(xí)的基礎(chǔ)知識(shí)、神經(jīng)網(wǎng)絡(luò)的構(gòu)成、神經(jīng)網(wǎng)絡(luò)的知識(shí)、機(jī)器學(xué)習(xí)基礎(chǔ)知識(shí)、深度學(xué)習(xí)在計(jì)算機(jī)視覺(jué)中的應(yīng)用、深度學(xué)習(xí)在序列數(shù)據(jù)和文本中的應(yīng)用、生成網(wǎng)絡(luò)、現(xiàn)代網(wǎng)絡(luò)架構(gòu)，以及PyTorch與深度學(xué)習(xí)的未來(lái)走向。 《PyTorch深度學(xué)習(xí)》適合對(duì)深度學(xué)習(xí)領(lǐng)域感興趣且希望一探PyTorch的業(yè)內(nèi)人員閱讀；具備其他深度學(xué)習(xí)框架使用經(jīng)驗(yàn)的讀者，也可以通過(guò)本書(shū)掌握PyTorch的用法。
PythonPYTORCH深度學(xué)習(xí) 目錄
第 1章 PyTorch與深度學(xué)習(xí)1
1.1 人工智能 1
1.2 機(jī)器學(xué)習(xí) 3
1.3 深度學(xué)習(xí) 4
1.3.1 深度學(xué)習(xí)的應(yīng)用 4
1.3.2 深度學(xué)習(xí)的浮夸宣傳 6
1.3.3 深度學(xué)習(xí)發(fā)展史 6
1.3.4 為何是現(xiàn)在 7
1.3.5 硬件可用性 7
1.3.6 數(shù)據(jù)和算法 8
1.3.7 深度學(xué)習(xí)框架 9
1.4 小結(jié) 10
第 2章 神經(jīng)網(wǎng)絡(luò)的構(gòu)成 11
2.1 安裝PyTorch 11
2.2 實(shí)現(xiàn)第 一個(gè)神經(jīng)網(wǎng)絡(luò) 12
2.2.1 準(zhǔn)備數(shù)據(jù) 13
2.2.2 為神經(jīng)網(wǎng)絡(luò)創(chuàng)建數(shù)據(jù) 20
2.2.3 加載數(shù)據(jù) 24
2.3 小結(jié) 25
第3章 深入了解神經(jīng)網(wǎng)絡(luò) 26
3.1 詳解神經(jīng)網(wǎng)絡(luò)的組成部分 26
3.1.1 層—神經(jīng)網(wǎng)絡(luò)的基本組成 27
3.1.2 非線性激活函數(shù) 29
3.1.3 PyTorch中的非線性激活函數(shù) 32
3.1.4 使用深度學(xué)習(xí)進(jìn)行圖像分類(lèi) 36
3.2 小結(jié) 46
第4章 機(jī)器學(xué)習(xí)基礎(chǔ) 47
4.1 三類(lèi)機(jī)器學(xué)習(xí)問(wèn)題 47
4.1.1 有監(jiān)督學(xué)習(xí) 48
4.1.2 無(wú)監(jiān)督學(xué)習(xí) 48
4.1.3 強(qiáng)化學(xué)習(xí) 48
4.2 機(jī)器學(xué)習(xí)術(shù)語(yǔ) 49
4.3 評(píng)估機(jī)器學(xué)習(xí)模型 50
4.4 數(shù)據(jù)預(yù)處理與特征工程 54
4.4.1 向量化 54
4.4.2 值歸一化 54
4.4.3 處理缺失值 55
4.4.4 特征工程 55
4.5 過(guò)擬合與欠擬合 56
4.5.1 獲取更多數(shù)據(jù) 56
4.5.2 縮小網(wǎng)絡(luò)規(guī)模 57
4.5.3 應(yīng)用權(quán)重正則化 58
4.5.4 應(yīng)用dropout 58
4.5.5 欠擬合 60
4.6 機(jī)器學(xué)習(xí)項(xiàng)目的工作流 60
4.6.1 問(wèn)題定義與數(shù)據(jù)集創(chuàng)建 60
4.6.2 成功的衡量標(biāo)準(zhǔn) 61
4.6.3 評(píng)估協(xié)議 61
4.6.4 準(zhǔn)備數(shù)據(jù) 62
4.6.5 模型基線 62
4.6.6 大到過(guò)擬合的模型 63
4.6.7 應(yīng)用正則化 63
4.6.8 學(xué)習(xí)率選擇策略 64
4.7 小結(jié) 65
第5章 深度學(xué)習(xí)之計(jì)算機(jī)視覺(jué) 66
5.1 神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介 66
5.2 從零開(kāi)始構(gòu)建CNN模型 69
5.2.1 Conv2d 71
5.2.2 池化 74
5.2.3 非線性激活—ReLU 75
5.2.4 視圖 76
5.2.5 訓(xùn)練模型 77
5.2.6 狗貓分類(lèi)問(wèn)題—從零開(kāi)始構(gòu)建CNN 80
5.2.7 利用遷移學(xué)習(xí)對(duì)狗貓分類(lèi) 82
5.3 創(chuàng)建和探索VGG16模型 84
5.3.1 凍結(jié)層 85
5.3.2 微調(diào)VGG16模型 85
5.3.3 訓(xùn)練VGG16模型 86
5.4 計(jì)算預(yù)卷積特征 88
5.5 理解CNN模型如何學(xué)習(xí) 91
5.6 CNN層的可視化權(quán)重 94
5.7 小結(jié) 95
第6章 序列數(shù)據(jù)和文本的深度學(xué)習(xí) 96
6.1 使用文本數(shù)據(jù) 96
6.1.1 分詞 98
6.1.2 向量化 100
6.2 通過(guò)構(gòu)建情感分類(lèi)器訓(xùn)練詞向量 104
6.2.1 下載IMDB數(shù)據(jù)并對(duì)文本分詞 104
6.2.2 構(gòu)建詞表 106
6.2.3 生成向量的批數(shù)據(jù) 107
6.2.4 使用詞向量創(chuàng)建網(wǎng)絡(luò)模型 108
6.2.5 訓(xùn)練模型 109
6.3 使用預(yù)訓(xùn)練的詞向量 110
6.3.1 下載詞向量 111
6.3.2 在模型中加載詞向量 112
6.3.3 凍結(jié)embedding層權(quán)重 113
6.4 遞歸神經(jīng)網(wǎng)絡(luò)（RNN） 113
6.5 LSTM 117
6.5.1 長(zhǎng)期依賴 117
6.5.2 LSTM網(wǎng)絡(luò) 117
6.6 基于序列數(shù)據(jù)的卷積網(wǎng)絡(luò) 123
6.7 小結(jié) 125
第7章 生成網(wǎng)絡(luò) 126
7.1 神經(jīng)風(fēng)格遷移 126
7.1.1 加載數(shù)據(jù) 129
7.1.2 創(chuàng)建VGG模型 130
7.1.3 內(nèi)容損失 131
7.1.4 風(fēng)格損失 131
7.1.5 提取損失 133
7.1.6 為網(wǎng)絡(luò)層創(chuàng)建損失函數(shù) 136
7.1.7 創(chuàng)建優(yōu)化器 136
7.1.8 訓(xùn)練 137
7.2 生成對(duì)抗網(wǎng)絡(luò)（GAN） 138
7.3 深度卷機(jī)生成對(duì)抗網(wǎng)絡(luò) 139
7.3.1 定義生成網(wǎng)絡(luò) 140
7.3.2 定義判別網(wǎng)絡(luò) 144
7.3.3 定義損失函數(shù)和優(yōu)化器 145
7.3.4 訓(xùn)練判別網(wǎng)絡(luò) 145
7.3.5 訓(xùn)練生成網(wǎng)絡(luò) 146
7.3.6 訓(xùn)練整個(gè)網(wǎng)絡(luò) 147
7.3.7 檢驗(yàn)生成的圖片 148
7.4 語(yǔ)言建模 150
7.4.1 準(zhǔn)備數(shù)據(jù) 151
7.4.2 生成批數(shù)據(jù) 152
7.4.3 定義基于LSTM的模型 153
7.4.4 定義訓(xùn)練和評(píng)估函數(shù) 155
7.4.5 訓(xùn)練模型 157
7.5 小結(jié) 159
第8章 現(xiàn)代網(wǎng)絡(luò)架構(gòu) 160
8.1 現(xiàn)代網(wǎng)絡(luò)架構(gòu) 160
8.1.1 ResNet 160
8.1.2 Inception 168
8.2 稠密連接卷積網(wǎng)絡(luò)（DenseNet） 175
8.2.1 DenseBlock 175
8.2.2 DenseLayer 176
8.3 模型集成 180
8.3.1 創(chuàng)建模型 181
8.3.2 提取圖片特征 182
8.3.3 創(chuàng)建自定義數(shù)據(jù)集和數(shù)據(jù)加載器 183
8.3.4 創(chuàng)建集成模型 184
8.3.5 訓(xùn)練和驗(yàn)證模型 185
8.4 encoder-decoder架構(gòu) 186
8.4.1 編碼器 188
8.4.2 解碼器 188
8.5 小結(jié) 188
第9章 未來(lái)走向 189
9.1 未來(lái)走向 189
9.2 回顧 189
9.3 有趣的創(chuàng)意應(yīng)用 190
9.3.1 對(duì)象檢測(cè) 190
9.3.2 圖像分割 191
9.3.3 PyTorch中的OpenNMT 192
9.3.4 Allen NLP 192
9.3.5 fast.ai—神經(jīng)網(wǎng)絡(luò)不再神秘 192
9.3.6 Open Neural Network Exchange 192
9.4 如何跟上前沿 193
9.5 小結(jié) 193
1.1 人工智能 1
1.2 機(jī)器學(xué)習(xí) 3
1.3 深度學(xué)習(xí) 4
1.3.1 深度學(xué)習(xí)的應(yīng)用 4
1.3.2 深度學(xué)習(xí)的浮夸宣傳 6
1.3.3 深度學(xué)習(xí)發(fā)展史 6
1.3.4 為何是現(xiàn)在 7
1.3.5 硬件可用性 7
1.3.6 數(shù)據(jù)和算法 8
1.3.7 深度學(xué)習(xí)框架 9
1.4 小結(jié) 10
第 2章 神經(jīng)網(wǎng)絡(luò)的構(gòu)成 11
2.1 安裝PyTorch 11
2.2 實(shí)現(xiàn)第 一個(gè)神經(jīng)網(wǎng)絡(luò) 12
2.2.1 準(zhǔn)備數(shù)據(jù) 13
2.2.2 為神經(jīng)網(wǎng)絡(luò)創(chuàng)建數(shù)據(jù) 20
2.2.3 加載數(shù)據(jù) 24
2.3 小結(jié) 25
第3章 深入了解神經(jīng)網(wǎng)絡(luò) 26
3.1 詳解神經(jīng)網(wǎng)絡(luò)的組成部分 26
3.1.1 層—神經(jīng)網(wǎng)絡(luò)的基本組成 27
3.1.2 非線性激活函數(shù) 29
3.1.3 PyTorch中的非線性激活函數(shù) 32
3.1.4 使用深度學(xué)習(xí)進(jìn)行圖像分類(lèi) 36
3.2 小結(jié) 46
第4章 機(jī)器學(xué)習(xí)基礎(chǔ) 47
4.1 三類(lèi)機(jī)器學(xué)習(xí)問(wèn)題 47
4.1.1 有監(jiān)督學(xué)習(xí) 48
4.1.2 無(wú)監(jiān)督學(xué)習(xí) 48
4.1.3 強(qiáng)化學(xué)習(xí) 48
4.2 機(jī)器學(xué)習(xí)術(shù)語(yǔ) 49
4.3 評(píng)估機(jī)器學(xué)習(xí)模型 50
4.4 數(shù)據(jù)預(yù)處理與特征工程 54
4.4.1 向量化 54
4.4.2 值歸一化 54
4.4.3 處理缺失值 55
4.4.4 特征工程 55
4.5 過(guò)擬合與欠擬合 56
4.5.1 獲取更多數(shù)據(jù) 56
4.5.2 縮小網(wǎng)絡(luò)規(guī)模 57
4.5.3 應(yīng)用權(quán)重正則化 58
4.5.4 應(yīng)用dropout 58
4.5.5 欠擬合 60
4.6 機(jī)器學(xué)習(xí)項(xiàng)目的工作流 60
4.6.1 問(wèn)題定義與數(shù)據(jù)集創(chuàng)建 60
4.6.2 成功的衡量標(biāo)準(zhǔn) 61
4.6.3 評(píng)估協(xié)議 61
4.6.4 準(zhǔn)備數(shù)據(jù) 62
4.6.5 模型基線 62
4.6.6 大到過(guò)擬合的模型 63
4.6.7 應(yīng)用正則化 63
4.6.8 學(xué)習(xí)率選擇策略 64
4.7 小結(jié) 65
第5章 深度學(xué)習(xí)之計(jì)算機(jī)視覺(jué) 66
5.1 神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介 66
5.2 從零開(kāi)始構(gòu)建CNN模型 69
5.2.1 Conv2d 71
5.2.2 池化 74
5.2.3 非線性激活—ReLU 75
5.2.4 視圖 76
5.2.5 訓(xùn)練模型 77
5.2.6 狗貓分類(lèi)問(wèn)題—從零開(kāi)始構(gòu)建CNN 80
5.2.7 利用遷移學(xué)習(xí)對(duì)狗貓分類(lèi) 82
5.3 創(chuàng)建和探索VGG16模型 84
5.3.1 凍結(jié)層 85
5.3.2 微調(diào)VGG16模型 85
5.3.3 訓(xùn)練VGG16模型 86
5.4 計(jì)算預(yù)卷積特征 88
5.5 理解CNN模型如何學(xué)習(xí) 91
5.6 CNN層的可視化權(quán)重 94
5.7 小結(jié) 95
第6章 序列數(shù)據(jù)和文本的深度學(xué)習(xí) 96
6.1 使用文本數(shù)據(jù) 96
6.1.1 分詞 98
6.1.2 向量化 100
6.2 通過(guò)構(gòu)建情感分類(lèi)器訓(xùn)練詞向量 104
6.2.1 下載IMDB數(shù)據(jù)并對(duì)文本分詞 104
6.2.2 構(gòu)建詞表 106
6.2.3 生成向量的批數(shù)據(jù) 107
6.2.4 使用詞向量創(chuàng)建網(wǎng)絡(luò)模型 108
6.2.5 訓(xùn)練模型 109
6.3 使用預(yù)訓(xùn)練的詞向量 110
6.3.1 下載詞向量 111
6.3.2 在模型中加載詞向量 112
6.3.3 凍結(jié)embedding層權(quán)重 113
6.4 遞歸神經(jīng)網(wǎng)絡(luò)（RNN） 113
6.5 LSTM 117
6.5.1 長(zhǎng)期依賴 117
6.5.2 LSTM網(wǎng)絡(luò) 117
6.6 基于序列數(shù)據(jù)的卷積網(wǎng)絡(luò) 123
6.7 小結(jié) 125
第7章 生成網(wǎng)絡(luò) 126
7.1 神經(jīng)風(fēng)格遷移 126
7.1.1 加載數(shù)據(jù) 129
7.1.2 創(chuàng)建VGG模型 130
7.1.3 內(nèi)容損失 131
7.1.4 風(fēng)格損失 131
7.1.5 提取損失 133
7.1.6 為網(wǎng)絡(luò)層創(chuàng)建損失函數(shù) 136
7.1.7 創(chuàng)建優(yōu)化器 136
7.1.8 訓(xùn)練 137
7.2 生成對(duì)抗網(wǎng)絡(luò)（GAN） 138
7.3 深度卷機(jī)生成對(duì)抗網(wǎng)絡(luò) 139
7.3.1 定義生成網(wǎng)絡(luò) 140
7.3.2 定義判別網(wǎng)絡(luò) 144
7.3.3 定義損失函數(shù)和優(yōu)化器 145
7.3.4 訓(xùn)練判別網(wǎng)絡(luò) 145
7.3.5 訓(xùn)練生成網(wǎng)絡(luò) 146
7.3.6 訓(xùn)練整個(gè)網(wǎng)絡(luò) 147
7.3.7 檢驗(yàn)生成的圖片 148
7.4 語(yǔ)言建模 150
7.4.1 準(zhǔn)備數(shù)據(jù) 151
7.4.2 生成批數(shù)據(jù) 152
7.4.3 定義基于LSTM的模型 153
7.4.4 定義訓(xùn)練和評(píng)估函數(shù) 155
7.4.5 訓(xùn)練模型 157
7.5 小結(jié) 159
第8章 現(xiàn)代網(wǎng)絡(luò)架構(gòu) 160
8.1 現(xiàn)代網(wǎng)絡(luò)架構(gòu) 160
8.1.1 ResNet 160
8.1.2 Inception 168
8.2 稠密連接卷積網(wǎng)絡(luò)（DenseNet） 175
8.2.1 DenseBlock 175
8.2.2 DenseLayer 176
8.3 模型集成 180
8.3.1 創(chuàng)建模型 181
8.3.2 提取圖片特征 182
8.3.3 創(chuàng)建自定義數(shù)據(jù)集和數(shù)據(jù)加載器 183
8.3.4 創(chuàng)建集成模型 184
8.3.5 訓(xùn)練和驗(yàn)證模型 185
8.4 encoder-decoder架構(gòu) 186
8.4.1 編碼器 188
8.4.2 解碼器 188
8.5 小結(jié) 188
第9章 未來(lái)走向 189
9.1 未來(lái)走向 189
9.2 回顧 189
9.3 有趣的創(chuàng)意應(yīng)用 190
9.3.1 對(duì)象檢測(cè) 190
9.3.2 圖像分割 191
9.3.3 PyTorch中的OpenNMT 192
9.3.4 Allen NLP 192
9.3.5 fast.ai—神經(jīng)網(wǎng)絡(luò)不再神秘 192
9.3.6 Open Neural Network Exchange 192
9.4 如何跟上前沿 193
9.5 小結(jié) 193
展開(kāi)全部
PythonPYTORCH深度學(xué)習(xí) 作者簡(jiǎn)介
Vishnu Subramanian在領(lǐng)導(dǎo)、設(shè)計(jì)和實(shí)施大數(shù)據(jù)分析項(xiàng)目（人工智能、機(jī)器學(xué)習(xí)和深度學(xué)習(xí)）方面富有經(jīng)驗(yàn)。擅長(zhǎng)機(jī)器學(xué)習(xí)、深度學(xué)習(xí)、分布式機(jī)器學(xué)習(xí)和可視化等。在零售、金融和旅行等行業(yè)頗具經(jīng)驗(yàn)，還善于理解和協(xié)調(diào)企業(yè)、人工智能和工程團(tuán)隊(duì)之間的關(guān)系。
書(shū)友推薦
- >
苦雨齋序跋文-周作人自編集
- >
伊索寓言-世界文學(xué)名著典藏-全譯本
- >
煙與鏡
- >
月亮虎
- >
羅曼·羅蘭讀書(shū)隨筆-精裝
- >
名家?guī)阕x魯迅:朝花夕拾
- >
【精裝繪本】畫(huà)給孩子的中國(guó)神話
- >
詩(shī)經(jīng)-先民的歌唱
本類(lèi)暢銷(xiāo)
