了得網計算機/網絡_PyTorch深度學習

產品特色

編輯推薦

深度學習為世界上的智能繫統（比如Google Voice、Siri和Alexa）提供了動力。隨著硬件（如GPU）和軟件框架（如PyTorch、Keras、TensorFlow和CNTK）的進步以及大數據的可用性，人們在文本、視覺和分析等領域更容易實施相應問題的解決方案。
本書對當今前沿的深度學習庫PyTorch進行了講解。憑借其易學習性、高效性以及與Python開發的天然親近性，PyTorch獲得了深度學習研究人員以及數據科學家們的關注。本書從PyTorch的安裝講起，然後介紹了為現代深度學習提供驅動力的多個基礎模塊，還介紹了使用CNN、RNN、LSTM以及其他網絡模型解決問題的方法。本書對多個先進的深度學習架構的概念（比如ResNet、DenseNet、Inception和Seq2Seq）進行了闡述，但沒有深挖其背後的數學細節。與GPU計算相關的知識、使用PyTorch訓練模型的方法，以及用來生成文本和圖像的復雜神經網絡（如生成網絡），也在本書中有所涵蓋。
學完本書後，讀者可以使用PyTorch輕松開發深度學習應用程序。
本書內容：
在GPU加速的張量計算中使用PyTorch；
為圖像自行創建數據集和數據裝載器，然後使用torchvision和torchtext測試模型；
使用PyTorch來實現CNN架構，從而構建圖像分類器；
使用RNN、LSTM和GRU開發能進行文本分類和語言建模的繫統；
學習的CCN架構（比如ResNet、Inception、DenseNet等），並將其應用在遷移學習中；
學習如何混合多個模型，從而生成一個強大的集成模型；
使用GAN生成新圖像，並使用風格遷移生成藝術圖像。

內容簡介

PyTorch是Facebook於2017年初在機器學習和科學計算工具Torch的基礎上，針對Python語言發布的一個全新的機器學習工具包，一經推出便受到了業界的廣泛關注和討論，目前已經成為機器學習從業人員的研發工具。
《PyTorch深度學習》是使用PyTorch構建神經網絡模型的實用指南，內容分為9章，包括PyTorch與深度學習的基礎知識、神經網絡的構成、神經網絡的知識、機器學習基礎知識、深度學習在計算機視覺中的應用、深度學習在序列數據和文本中的應用、生成網絡、現代網絡架構，以及PyTorch與深度學習的未來走向。
《PyTorch深度學習》適合對深度學習領域感興趣且希望一探PyTorch的業內人員閱讀；具備其他深度學習框架使用經驗的讀者，也可以通過本書掌握PyTorch的用法。

作者簡介

Vishnu Subramanian在領導、設計和實施大數據分析項目（人工智能、機器學習和深度學習）方面富有經驗。擅長機器學習、深度學習、分布式機器學習和可視化等。在零售、金融和旅行等行業頗具經驗，還善於理解和協調企業、人工智能和工程團隊之間的關繫。

第 1章 PyTorch與深度學習1
1.1 人工智能 1
1.2 機器學習 3
1.3 深度學習 4
1.3.1 深度學習的應用 4
1.3.2 深度學習的浮誇宣傳 6
1.3.3 深度學習發展史 6
1.3.4 為何是現在 7
1.3.5 硬件可用性 7
1.3.6 數據和算法 8
1.3.7 深度學習框架 9
1.4 小結 10

第 2章神經網絡的構成 11第 1章 PyTorch與深度學習1

1.1 人工智能 1

1.2 機器學習 3

1.3 深度學習 4

1.3.1 深度學習的應用 4

1.3.2 深度學習的浮誇宣傳 6

1.3.3 深度學習發展史 6

1.3.4 為何是現在 7

1.3.5 硬件可用性 7

1.3.6 數據和算法 8

1.3.7 深度學習框架 9

1.4 小結 10

第 2章神經網絡的構成 11

2.1 安裝PyTorch 11

2.2 實現第一個神經網絡 12

2.2.1 準備數據 13

2.2.2 為神經網絡創建數據 20

2.2.3 加載數據 24

2.3 小結 25

第3章深入了解神經網絡 26

3.1 詳解神經網絡的組成部分 26

3.1.1 層—神經網絡的基本組成 27

3.1.2 非線性激活函數 29

3.1.3 PyTorch中的非線性激活函數 32

3.1.4 使用深度學習進行圖像分類 36

3.2 小結 46

第4章機器學習基礎 47

4.1 三類機器學習問題 47

4.1.1 有監督學習 48

4.1.2 無監督學習 48

4.1.3 強化學習 48

4.2 機器學習術語 49

4.3 評估機器學習模型 50

4.4 數據預處理與特征工程 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 過擬合與欠擬合 56

4.5.1 獲取更多數據 56

4.5.2 縮小網絡規模 57

4.5.3 應用權重正則化 58

4.5.4 應用dropout 58

4.5.5 欠擬合 60

4.6 機器學習項目的工作流 60

4.6.1 問題定義與數據集創建 60

4.6.2 成功的衡量標準 61

4.6.3 評估協議 61

4.6.4 準備數據 62

4.6.5 模型基線 62

4.6.6 大到過擬合的模型 63

4.6.7 應用正則化 63

4.6.8 學習率選擇策略 64

4.7 小結 65

第5章深度學習之計算機視覺 66

5.1 神經網絡簡介 66

5.2 從零開始構建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 訓練模型 77

5.2.6 狗貓分類問題—從零開始構建CNN 80

5.2.7 利用遷移學習對狗貓分類 82

5.3 創建和探索VGG16模型 84

5.3.1 凍結層 85

5.3.2 微調VGG16模型 85

5.3.3 訓練VGG16模型 86

5.4 計算預卷積特征 88

5.5 理解CNN模型如何學習 91

5.6 CNN層的可視化權重 94

5.7 小結 95

第6章序列數據和文本的深度學習 96

6.1 使用文本數據 96

6.1.1 分詞 98

6.1.2 向量化 100

6.2 通過構建情感分類器訓練詞向量 104

6.2.1 下載IMDB數據並對文本分詞 104

6.2.2 構建詞表 106

6.2.3 生成向量的批數據 107

6.2.4 使用詞向量創建網絡模型 108

6.2.5 訓練模型 109

6.3 使用預訓練的詞向量 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embedding層權重 113

6.4 遞歸神經網絡（RNN） 113

6.5 LSTM 117

6.5.1 長期依賴 117

6.5.2 LSTM網絡 117

6.6 基於序列數據的卷積網絡 123

6.7 小結 125

第7章生成網絡 126

7.1 神經風格遷移 126

7.1.1 加載數據 129

7.1.2 創建VGG模型 130

7.1.3 內容損失 131

7.1.4 風格損失 131

7.1.5 提取損失 133

7.1.6 為網絡層創建損失函數 136

7.1.7 創建優化器 136

7.1.8 訓練 137

7.2 生成對抗網絡（GAN） 138

7.3 深度卷機生成對抗網絡 139

7.3.1 定義生成網絡 140

7.3.2 定義判別網絡 144

7.3.3 定義損失函數和優化器 145

7.3.4 訓練判別網絡 145

7.3.5 訓練生成網絡 146

7.3.6 訓練整個網絡 147

7.3.7 檢驗生成的圖片 148

7.4 語言建模 150

7.4.1 準備數據 151

7.4.2 生成批數據 152

7.4.3 定義基於LSTM的模型 153

7.4.4 定義訓練和評估函數 155

7.4.5 訓練模型 157

7.5 小結 159

第8章現代網絡架構 160

8.1 現代網絡架構 160

8.1.1 ResNet 160

8.1.2 Inception 168

8.2 稠密連接卷積網絡（DenseNet） 175

8.2.1 DenseBlock 175

8.2.2 DenseLayer 176

8.3 模型集成 180

8.3.1 創建模型 181

8.3.2 提取圖片特征 182

8.3.3 創建自定義數據集和數據加載器 183

8.3.4 創建集成模型 184

8.3.5 訓練和驗證模型 185

8.4 encoder-decoder架構 186

8.4.1 編碼器 188

8.4.2 解碼器 188

8.5 小結 188

第9章未來走向 189

9.1 未來走向 189

9.2 回顧 189

9.3 有趣的創意應用 190

9.3.1 對像檢測 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—神經網絡不再神秘 192

9.3.6 Open Neural Network Exchange 192

9.4 如何跟上前沿 193

9.5 小結 193

商品搜索

商品分类

【醫學】

【各大出版社】