| | | PyTorch深度學習實戰 圖書 | 該商品所屬分類:圖書 -> | 【市場價】 | 696-1008元 | 【優惠價】 | 435-630元 | 【作者】 | 伊萊·史蒂文斯盧卡·安蒂加托 | 【出版社】 | 人民郵電出版社 | 【ISBN】 | 9787115577672 | 【折扣說明】 | 一次購物滿999元台幣免運費+贈品 一次購物滿2000元台幣95折+免運費+贈品 一次購物滿3000元台幣92折+免運費+贈品 一次購物滿4000元台幣88折+免運費+贈品
| 【本期贈品】 | ①優質無紡布環保袋,做工棒!②品牌簽字筆 ③品牌手帕紙巾
| |
版本 | 正版全新電子版PDF檔 | 您已选择: | 正版全新 | 溫馨提示:如果有多種選項,請先選擇再點擊加入購物車。*. 電子圖書價格是0.69折,例如了得網價格是100元,電子書pdf的價格則是69元。 *. 購買電子書不支持貨到付款,購買時選擇atm或者超商、PayPal付款。付款後1-24小時內通過郵件傳輸給您。 *. 如果收到的電子書不滿意,可以聯絡我們退款。謝謝。 | | | | 內容介紹 | |
![](/c49/31/10044649514121.jpg)
出版社:人民郵電出版社 ISBN:9787115577672 商品編碼:10044649514121 品牌:文軒 出版時間:2022-02-01 代碼:119 作者:伊萊·史蒂文斯,盧卡·安蒂加,托
"![](http://img14.360buyimg.com/cms/jfs/t1/203358/9/26405/134589/62f4a34cEcdefae53/84e082ed3b03dbc0.jpg) 作 者:(美)伊萊·史蒂文斯,(意)盧卡·安蒂加,(德)托馬斯·菲曼 著 牟大恩 譯 定 價:119.9 出 版 社:人民郵電出版社 出版日期:2022年02月01日 頁 數:448 裝 幀:平裝 ISBN:9787115577672 1.PyTorch核心開發者教你使用 PyTorch 創建神經網絡和深度學習繫統的實用指南。2.詳細講解整個深度學習管道的關鍵實踐,包括 PyTorch張量API、用 Python 加載數據、監控訓練以及對結果進行可視化。3. PyTorch核心知識+真實、完整的案例項目,快速提升讀者動手能力: a.全面掌握PyTorch 相關的API 的使用方法以及繫統掌握深度學習的理論和方法; b.快速從零開始構建一個真實示例:腫瘤圖像分類器; c.輕松學會使用PyTorch 實現各種神經網等 ●第1部分PyTorch核心 第1章深度學習和PyTorch庫簡介3 1.1深度學習革命4 1.2PyTorch深度學習5 1.3為什麼用PyTorch6 1.4PyTorch如何支持深度學習概述8 1.5硬件和軟件要求10 1.6練習題12 1.7本章小結13 第2章預訓練網絡14 2.1一個識別圖像主體的預訓練網絡15 2.1.1獲取一個預先訓練好的網絡用於圖像識別16 2.1.2AlexNet17 2.1.3ResNet19 2.1.4準備運行19 2.1.5運行模型21 2.2一個足以以假亂真的預訓練模型23 2.2.1GAN遊戲24 2.2.2CycleGAN25 2.2.3一個把馬變成斑馬的網絡26 2.3一個描述場景的預訓練網絡29 2.4TorchHub31 2.5總結32 2.6練習題32 2.7本章小結33 第3章從張量開始34 3.1實際數據轉為浮點數34 3.2張量:多維數組36 3.2.1從Python列表到PyTorch張量36 3.2.2構造第1個張量37 3.2.3張量的本質37 3.3索引張量40 3.4命名張量40 3.5素類型43 3.5.1使用dtype指定數字類型43 3.5.2適合任何場合的dtype44 3.5.3管理張量的dtype屬性44 3.6張量的API45 3.7張量的存儲視圖46 3.7.1索引存儲區47 3.7.2修改存儲值:就地操作48 3.數據:大小、偏移量和步長48 3.8.1另一個張量的存儲視圖49 3.8.2無復制轉置51 3.8.3高維轉置52 3.8.4連續張量53 3.9將張量存儲到GPU55 3.10NumPy互操作性57 3.11廣義張量也是張量57 3.12序列化張量58 3.13總結60 3.14練習題60 3.15本章小結60 第4章使用張量表征真實數據61 4.1處理圖像62 4.1.1添加顏色通道62 4.1.2加載圖像文件63 4.1.3改變布局63 4.1.4正規化數據64 4.2三維圖像:體數據65 4.3表示表格數據66 4.3.1使用真實的數據集67 4.3.2加載葡萄酒數據張量68 4.3.3表示分數70 4.3.4獨熱編碼70 4.3.5何時分類72 4.3.6尋找閾值73 4.4處理時間序列75 4.4.1增加時間維度76 4.4.2按時間段調整數據77 4.4.3準備訓練79 4.5表示文本81 4.5.1將文本轉化為數字81 4.5.2獨熱編碼字符82 4.5.3獨熱編碼整個詞83 4.5.4文本嵌入85 4.5.5作為藍圖的文本嵌入87 4.6總結88 4.7練習題88 4.8本章小結88 第5章學習的機制90 5.1永恆的建模經驗90 5.2學習就是參數估計92 5.2.1一個熱點問題93 5.2.2收集一些數據93 5.2.3可視化數據94 5.2.4選擇線性模型首試94 5.3減少損失是我們想要的95 5.4沿著梯度下降98 5.4.1減小損失99 5.4.2進行分析99 5.4.3迭代以適應模型101 5.4.4歸一化輸入104 5.4.5再次可視化數據106 5.5PyTorch自動求導:反向傳播的一切107 5.5.1自動計算梯度107 5.5.2優化器111 5.5.3訓練、驗證和過擬合115 5.5.4自動求導更新及關閉120 5.6總結121 5.7練習題122 5.8本章小結122 第6章使用神經網絡擬合數據123 6.1人工神經網絡124 6.1.1組成一個多層網絡125 6.1.2理解誤差函數125 6.1.3我們需要的隻是激活函數126 6.1.4更多激活函數128 6.1.5選擇很好激活函數128 6.1.6學習對於神經網絡意味著什麼129 6.2PyTorchnn模塊131 6.2.1使用__call__()而不是forward()132 6.2.2回到線性模型133 6.3最終完成一個神經網絡137 6.3.1替換線性模型137 6.3.2檢查參數138 6.3.3與線性模型對比141 6.4總結142 6.5練習題142 6.6本章小結142 第7章區分鳥和飛機:從圖像學習143 7.1微小圖像數據集143 7.1.1下載CIFAR-10144 7.1.2Dataset類145 7.1.3Dataset變換146 7.1.4數據歸一化149 7.2區分鳥和飛機150 7.2.1構建數據集151 7.2.2一個全連接模型152 7.2.3分類器的輸出153 7.2.4用概率表示輸出154 7.2.5分類的損失157 7.2.6訓練分類器159 7.2.7全連接網絡的局限165 7.3總結167 7.4練習題167 7.5本章小結168 第8章使用卷積進行泛化169 8.1卷積介紹169 8.2卷積實戰172 8.2.1填充邊界173 8.2.2用卷積檢測特征175 8.2.3使用深度和池化技術進一步研究177 8.2.4為我們的網絡整合一切179 8.3子類化nn.Module181 8.3.1將我們的網絡作為一個nn.Module182 8.3.2PyTorch如何跟蹤參數和子模塊183 8.3.3函數式API184 8.4訓練我們的convnet185 8.4.1測量精度187 8.4.2保存並加載我們的模型188 8.4.3在GPU上訓練188 8.5模型設計190 8.5.1增加內存容量:寬度191 8.5.2幫助我們的模型收斂和泛化:正則化192 8.5.3深入學習更復雜的結構:深度195 8.5.4本節設計的比較200 8.5.5已經過時了201 8.6總結201 8.7練習題201 8.8本章小結202 第2部分從現實世界的圖像中學習:肺癌的早期檢測 第9章使用PyTorch來檢測癌癥205 9.1用例簡介205 9.2為一個大型項目做準備206 9.3到底什麼是CT掃描207 9.4項目:肺癌的端到端檢測儀210 9.4.1為什麼我們不把數據扔給神經網絡直到它起作用呢213 9.4.2什麼是結節216 9.4.3我們的數據來源:LUNA大挑戰賽217 9.4.4下載LUNA數據集218 9.5總結219 9.6本章小結219 第10章將數據源組合成統一的數據集220 10.1原始CT數據文件222 10.2解析LUNA的標注數據222 10.2.1訓練集和驗證集224 10.2.2統一標注和候選數據225 10.3加載單個CT掃描227 10.4使用病人坐標繫定位結節230 10.4.1病人坐標繫230 10.4.2CT掃描形狀和體素大小232 10.4.3毫米和體素地址之間的轉換233 10.4.4從CT掃描中取出一個結節234 10.5一個簡單的數據集實現235 10.5.1使用getCtRawCandidate()函數緩存候選數組238 10.5.2在LunaDataset.__init__()中構造我們的數據集238 10.5.3分隔訓練集和驗證集239 10.5.4呈現數據240 10.6總結241 10.7練習題241 10.8本章小結242 第11章訓練分類模型以檢測可疑腫瘤243 11.1一個基本的模型和訓練循環243 11.2應用程序的主入口點246 11.3預訓練和初始化247 11.3.1初始化模型和優化器247 11.3.2數據加載器的維護和供給249 11.4我們的首次神經網絡設計251 11.4.1核心卷積251 11.4.2完整模型254 11.5訓練和驗證模型257 11.5.1computeBatchLoss()函數258 11.5.2類似的驗證循環260 11.6輸出性能指標261 11.7運行訓練腳本265 11.7.1訓練所需的數據266 11.7.2插曲:enumerateWithEstimate()函數266 11.8評估模型:得到99.7%的正確率是否意味著我們完成了任務268 11.9用TensorBoard繪制訓練指標269 11.9.1運行TensorBoard269 11.9.2增加TensorBoard對指標記錄函數的支持272 11.10為什麼模型不學習檢測結節274 11.11總結275 11.12練習題275 11.13本章小結275 第12章通過指標和數據增強來提升訓練277 12.1高級改進計劃278 12.2好狗與壞狗:假陽性與假陰性279 12.3用圖表表示陽性與陰性280 12.3.1召回率是Roxie的強項282 12.3.2精度是Preston的強項283 12.3.3在logMetrics()中實現精度和召回率284 12.3.4我們的終極性能指標:F1分數285 12.3.5我們的模型在新指標下表現如何289 12.4理想的數據集是什麼樣的290 12.4.1使數據看起來更理想化292 12.4.2使用平衡的LunaDataset與之前的數據集運行情況對比296 12.4.3認識過擬合298 12.5重新審視過擬合的問題300 12.6通過數據增強防止過擬合300 12.6.1具體的數據增強技術301 12.6.2看看數據增強帶來的改進306 12.7總結308 12.8練習題308 12.9本章小結309 第13章利用分割法尋找可疑結節310 13.1向我們的項目添加第2個模型310 13.2各種類型的分割312 13.3語義分割:逐像素分類313 13.4更新分割模型317 13.5更新數據集以進行分割319 13.5.1U-Net有非常具體的對輸入大小的要求320 13.5.2U-Net對三維和二維數據的權衡320 13.5.3構建真實、有效的數據集321 13.5.4實現Luna2dSegmentationDataset327 13.5.5構建訓練和驗證數據331 13.5.6實現TrainingLuna2dSegmentationDataset332 13.5.7在GPU上增強數據333 13.6更新用於分割的訓練腳本335 13.6.1初始化分割和增強模型336 13.6.2使用Adam優化器336 13.6.3骰子損失337 13.6.4將圖像導入TensorBoard340 13.6.5更新指標日志343 13.6.6保存模型344 13.7結果345 13.8總結348 13.9練習題348 13.10本章小結349 第14章端到端的結節分析及下一步的方向350 14.1接近終點線350 14.2驗證集的獨立性352 14.3連接CT分割和候選結節分類353 14.3.1分割354 14.3.2將體素分組為候選結節355 14.3.3我們發現結節了嗎?分類以減少假陽性357 14.4定量驗證360 14.5預測惡性腫瘤361 14.5.1獲取惡性腫瘤信息361 14.5.2曲線基線下的區域:按直徑分類362 14.5.3重用預先存在的權重:微調365 14.5.4TensorBoard中的輸出370 14.6在診斷時所見的內容374 14.7接下來呢?其他靈感和數據的來源376 14.7.1防止過擬合:更好的正則化377 14.7.2精細化訓練數據379 14.7.3競賽結果及研究論文380 14.8總結381 14.9練習題382 14.10本章小結383 第3部分部署 第15章部署到生產環境387 15.1PyTorch模型的服務388 15.1.1支持Flask服務的模型388 15.1.2我們想從部署中得到的東西390 15.1.3批處理請求391 15.2導出模型395 15.2.1PyTorch與ONNX的互操作性396 15.2.2PyTorch自己的導出:跟蹤397 15.2.3具有跟蹤模型的服務器398 15.3與PyTorchJIT編譯器交互398 15.3.1超越經典Python/PyTorch的期望是什麼399 15.3.2PyTorch作為接口和後端的雙重特性400 15.3.3TorchScript400 15.3.4為可追溯的差異編寫腳本404 15.4LibTorch:C++中的PyTorch405 15.4.1從C++中運行JITed模型405 15.4.2從C++API開始408 15.5部署到移動設備411 15.6新興技術:PyTorch 模型的企業服務416 15.7總結416 15.8練習題416 15.9本章小結416 雖然很多深度學習工具都使用Python,但PyTorch 庫是真正具備Python 風格的。對於任何了解NumPy 和scikit-learn 等工具的人來說,上手PyTorch 輕而易舉。PyTorch 在不犧牲高級特性的情況下簡化了深度學習,它非常適合構建快速模型,並且可以平穩地從個人應用擴展到企業級應用。由於像蘋果、Facebook和摩根大通這樣的公司都使用PyTorch,所以當你掌握了PyTorth,就會擁有更多的職業選擇。 本書是教你使用 PyTorch 創建神經網絡和深度學習繫統的實用指南。它幫助讀者快速從零開始構建一個真實示例:腫瘤圖像分類器。在此過程中,它涵蓋了整個深度學習管道的關鍵實踐,包括 PyTorch張量 API、用 Python 加載數據、監控訓練以及將結果進行可視化展示。 本書主要內容: (1)訓練深層神經網絡; (2)實現模塊和損失函數; (3)使用 PyTo等 (美)伊萊·史蒂文斯,(意)盧卡·安蒂加,(德)托馬斯·菲曼 著 牟大恩 譯 作者伊萊·史蒂文斯(Eli Stevens)職業生涯的大部分時間都在美國硅谷的初創公司工作,從軟件工程師(網絡設備制造業)到首席技術官(開發腫瘤放療軟件)。在本書出版時,他正在汽車自動駕駛行業從事機器學習相關工作。盧卡·安蒂加(Luca Antiga)於21 世紀初擔任生物醫學工程研究員。2010 年到2020 年間,他是一家人工智能工程公司的聯合創始人和首席技術官。他參與了多個開源項目,包括PyTorch 的核心模塊。最近,他作為聯合創始人創建了一家總部位於美國的初創公司,專注於數據定義軟件的基礎設施。托馬斯·菲曼(Thomas Viehmann)是一名德國慕尼黑的機器學習和PyT等 ![](https://img10.360buyimg.com/imgzone/jfs/t1/147514/7/5440/73116/5f34a3beE3ba58783/f5b2391383f5625c.jpg)
" | | | | | |