微瑕动手学深度学习 PyTorch版
￥ 52.7 4.8折 ￥ 109.8 全新
库存17件
北京丰台
认证卖家担保交易快速发货售后保障
作者阿斯顿·张（AstonZhang）著,何孝霆（Xiaotin
出版社人民邮电出版社
ISBN9787115600820
出版时间2023-02
版次1
装帧平装
开本16开
纸张胶版纸
页数604页
字数99999千字
定价109.8元
货号2170-9787115600820
上书时间2024-10-06
- 在售商品 暂无
- 平均发货时间 14小时
- 好评率 暂无
商品详情
- 品相描述：全新
- 商品描述
-
基本信息
书名:动手学深度学习 PyTorch版
定价：109.8元
作者:阿斯顿·张（AstonZhang）著,何孝霆（XiaotingHe）瑞潮儿·胡（RachelHu） 译
出版社：人民邮电出版社
出版日期：2023-02-01
ISBN：9787115600820
字数：972000
页码：604
版次：
装帧：平装
开本：16开
商品重量：
编辑推荐
适读人群 ：本书同时覆盖深度学习的方法和实践，主要面向在校大学生、技术人员和研究人员。阅读本书需要读者了解基本的Python编程或附录中描述的线性代数、微分和概率基础。 深度学习领域重磅作品《动手学深度学习》重磅推出PyTorch版本； 李沐、阿斯顿 张等大咖作者强强联合，精心编撰； 全球400多所大学采用的教科书，提供视频课程、教学PPT、习题，方便教师授课与学生自学； 能运行、可讨论的深度学习入门书，可在线运行源码并与作译者实时讨论。
内容提要
本书是《动手学深度学习》的重磅升级版本，选用经典的PyTorch深度学习框架，旨在向读者交付更为便捷的有关深度学习的交互式学习体验。 本书重新修订《动手学深度学习》的所有内容，并针对技术的发展，新增注意力机制、预训练等内容。本书包含15章，部分介绍深度学习的基础知识和预备知识，并由线性模型引出简单的神经网络——多层感知机；第二部分阐述深度学习计算的关键组件、卷积神经网络、循环神经网络、注意力机制等大多数现代深度学习应用背后的基本工具；第三部分讨论深度学习中常用的优化算法和影响深度学习计算性能的重要因素，并分别列举深度学习在计算机视觉和自然语言处理中的重要应用。 本书同时覆盖深度学习的方法和实践，主要面向在校大学生、技术人员和研究人员。阅读本书需要读者了解基本的Python编程知识及预备知识中描述的线性代数、微分和概率等基础知识。
目录
对本书的赞誉前言译者简介学习环境配置资源与支持主要符号表章 引言 11.1 日常生活中的机器学习 21.2 机器学习中的关键组件 31.2.1 数据 31.2.2 模型 41.2.3 目标函数 41.2.4 优化算法 51.3 各种机器学习问题 51.3.1 监督学习 51.3.2 无监督学习 111.3.3 与环境互动 111.3.4 强化学习 121.4 起源 131.5 深度学习的发展 151.6 深度学习的成功案例 161.7 特点 17第 2章 预备知识 202.1 数据操作 202.1.1 入门 212.1.2 运算符 222.1.3 广播机制 232.1.4 索引和切片 242.1.5 节省内存 242.1.6 转换为其他Python对象 252.2 数据预处理 262.2.1 读取数据集 262.2.2 处理缺失值 262.2.3 转换为张量格式 272.3 线性代数 272.3.1 标量 282.3.2 向量 282.3.3 矩阵 292.3.4 张量 302.3.5 张量算法的基本性质 312.3.6 降维 322.3.7 点积 332.3.8 矩阵-向量积 332.3.9 矩阵-矩阵乘法 342.3.10 范数 352.3.11 关于线性代数的更多信息 362.4 微积分 372.4.1 导数和微分 372.4.2 偏导数 402.4.3 梯度 412.4.4 链式法则 412.5 自动微分 422.5.1 一个简单的例子 422.5.2 非标量变量的反向传播 432.5.3 分离计算 432.5.4 Python控制流的梯度计算 442.6 概率 442.6.1 基本概率论 452.6.2 处理多个随机变量 482.6.3 期望和方差 502.7 查阅文档 512.7.1 查找模块中的所有函数和类 512.7.2 查找特定函数和类的用法 52第3章 线性神经网络 543.1 线性回归 543.1.1 线性回归的基本元素 543.1.2 向量化加速 573.1.3 正态分布与平方损失 583.1.4 从线性回归到深度网络 603.2 线性回归的从零开始实现 613.2.1 生成数据集 623.2.2 读取数据集 633.2.3 初始化模型参数 633.2.4 定义模型 643.2.5 定义损失函数 643.2.6 定义优化算法 643.2.7 训练 643.3 线性回归的简洁实现 663.3.1 生成数据集 663.3.2 读取数据集 663.3.3 定义模型 673.3.4 初始化模型参数 673.3.5 定义损失函数 683.3.6 定义优化算法 683.3.7 训练 683.4 softmax回归 693.4.1 分类问题 693.4.2 网络架构 703.4.3 全连接层的参数开销 703.4.4 softmax运算 713.4.5 小批量样本的向量化 713.4.6 损失函数 723.4.7 信息论基础 733.4.8 模型预测和评估 743.5 图像分类数据集 743.5.1 读取数据集 753.5.2 读取小批量 763.5.3 整合所有组件 763.6 softmax回归的从零开始实现 773.6.1 初始化模型参数 773.6.2 定义softmax操作 783.6.3 定义模型 783.6.4 定义损失函数 793.6.5 分类精度 793.6.6 训练 803.6.7 预测 823.7 softmax回归的简洁实现 833.7.1 初始化模型参数 833.7.2 重新审视softmax的实现 843.7.3 优化算法 843.7.4 训练 84第4章 多层感知机 864.1 多层感知机 864.2 多层感知机的从零开始实现 924.3 多层感知机的简洁实现 94模型 944.4 模型选择、欠拟合和过拟合 954.5 权重衰减 1034.6 暂退法 1084.7 前向传播、反向传播和计算图 1124.8 数值稳定性和模型初始化 1154.9 环境和分布偏移 1194.10 实战Kaggle比赛：预测房价 127第5章 深度学习计算 1365.1 层和块 1365.2 参数管理 1415.3 延后初始化 145实例化网络 1465.4 自定义层 1465.5 读写文件 1485.6 GPU 150第6章 卷积神经网络 1556.1 从全连接层到卷积 1556.2 图像卷积 1596.3 填充和步幅 1646.4 多输入多输出通道 1666.5 汇聚层 1706.6 卷积神经网络（LeNet） 173第7章 现代卷积神经网络 1787.1 深度卷积神经网络（AlexNet） 1787.2 使用块的网络（VGG） 1847.3 网络中的网络（NiN） 1877.4 含并行连接的网络（GoogLeNet） 1907.5 批量规范化 1947.6 残差网络（ResNet） 2007.7 稠密连接网络（DenseNet） 205第8章 循环神经网络 2098.1 序列模型 2098.2 文本预处理 2168.3 语言模型和数据集 2198.4 循环神经网络 2268.5 循环神经网络的从零开始实现 2308.6 循环神经网络的简洁实现 2378.7 通过时间反向传播 239第9章 现代循环神经网络 2449.1 门控循环单元（GRU） 2449.2 长短期记忆网络（LSTM） 2499.3 深度循环神经网络 2549.4 双向循环神经网络 2569.5 机器翻译与数据集 2609.6 编码器-解码器架构 2659.7 序列到序列学习（seq2seq） 2679.8 束搜索 2750章 注意力机制 27810.1 注意力提示 27810.2 注意力汇聚：Nadaraya-Watso核回归 28110.3 注意力评分函数 28710.4 Bahdanau 注意力 29110.5 多头注意力 29510.6 自注意力和位置编码 29810.7 Transformer 3021章 优化算法 31111.1 优化和深度学习 31111.2 凸性 31511.3 梯度下降 32211.4 随机梯度下降 32911.5 小批量随机梯度下降 33411.6 动量法 34111.7 AdaGrad算法 34811.8 RMSProp算法 35311.9 Adadelta算法 35611.10 Adam算法 35811.11 学习率调度器 3612章 计算性能 36912.1 编译器和解释器 36912.2 异步计算 372通过后端异步处理 37312.3 自动并行 37512.4 硬件 37812.5 多GPU训练 38812.6 多GPU的简洁实现 39412.7 参数服务器 3973章 计算机视觉 40413.1 图像增广 40413.2 微调 41013.3 目标检测和边界框 41513.4 锚框 41713.5 多尺度目标检测 42713.6 目标检测数据集 43013.7 单发多框检测（SSD） 43313.8 区域卷积神经网络（R-CNN）系列 44113.9 语义分割和数据集 44513.10 转置卷积 45013.11 全卷积网络 45313.12 风格迁移 45813.13 实战 Kaggle竞赛：图像分类（CIFAR-10） 46413.14 实战Kaggle竞赛：狗的品种识别（ImageNet Dogs） 4704章 自然语言处理：预训练 47614.1 词嵌入（word2vec） 47714.2 近似训练 48014.3 用于预训练词嵌入的数据集 48214.4 预训练word2vec 48814.5 全局向量的词嵌入（GloVe） 49114.6 子词嵌入 49414.7 词的相似度和类比任务 49714.8 来自Transformer的双向编码器表示（BERT） 50014.9 用于预训练BERT的数据集 50714.10 预训练BERT 5125章 自然语言处理：应用 51515.1 情感分析及数据集 51615.2 情感分析：使用循环神经网络 51815.3 情感分析：使用卷积神经网络 52115.4 自然语言推断与数据集 52615.5 自然语言推断：使用注意力 53015.6 针对序列级和词元级应用微调BERT 53515.7 自然语言推断：微调BERT 538附录A 深度学习工具 543A.1 使用Jupyter记事本 543A.1.1 在本地编辑和运行代码 543A.1.2 高级选项 545A.2 使用AmazoSageMaker 546A.2.1 注册 547A.2.2 创建SageMaker实例 547A.2.3 运行和停止实例 548A.2.4 更新Notebook 548A.3 使用AmazoEC2实例 549A.3.1 创建和运行EC2实例 549A.3.2 安装CUDA 553A.3.3 安装库以运行代码 553A.3.4 远程运行Jupyter记事本 554A.3.5 关闭未使用的实例 554A.4 选择服务器和GPU 555A.4.1 选择服务器 555A.4.2 选择GPU 556A.5 为本书做贡献 558A.5.1 提交微小更改 558A.5.2 大量文本或代码修改 559A.5.3 提交主要更改 559参考文献 562
作者介绍
序言
-
【封面】
相关推荐
— 没有更多了 —
以下为对购买帮助不大的评价