消息首页搜索举报

深度学习入门之PyTorch9787121326202

正版二手图书，可开发票，请放心购买。

17.49 2.2折 79 九品

库存3件

广东广州

认证卖家担保交易快速发货售后保障

作者廖星宇

出版社电子工业出版社

ISBN9787121326202

出版时间2017-10

装帧平装

开本16开

定价79元

货号972072807079460876

上书时间2024-12-23

亿临书店

四年老店

已实名已认证进店收藏店铺

在售商品暂无
平均发货时间 9小时
好评率暂无

最新上架

画法几何及土建工程制图（第2版）9787562348887 ¥12.27

高职数学（第2版）9787121415272 ¥27.25

学习践行变革之校长培训丛书桃李书系:给校长参加跟岗学习的建议9787530967850 ¥4.49

意林快乐知了书系：小学那些事儿9787541752360 ¥4.75

金融百年：从袁大头到互联网金融9787121302909 ¥4.79

设计色彩9787548002727 ¥7.62

公路生态工程学9787114084546 ¥8.94

初中生英语写作范文一本全第2次修订9787541591136 ¥4.95

人类健康之友：蜜蜂与蜂产品9787535951908 ¥7.80

商品详情

品相描述：九品

商品描述: 作者简介
廖星宇，目前就读于中国科学技术大学应用数学系，获得国家一等奖学金。在个人博客、知乎等平台上发布多篇关于深度学习的文章，具有一定的阅读量和人气。

目录
第1 章深度学习介绍1

1．1 人工智能．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 1

1．2 数据挖掘、机器学习与深度学习．．．．．．．．．．．．．．．．．．．．．．． 2

1．2．1 数据挖掘．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 3

1．2．2 机器学习．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 3

1．2．3 深度学习．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 4

1．3 学习资源与建议．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 8

第2 章深度学习框架11

2．1 深度学习框架介绍．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 11

2．2 PyTorch 介绍．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 13

2．2．1 什么是PyTorch ．．．．．．．．．．．．．．．．．．．．．．．．．．．． 13

2．2．2 为何要使用PyTorch ．．．．．．．．．．．．．．．．．．．．．．．．．． 14

2．3 配置PyTorch 深度学习环境．．．．．．．．．．．．．．．．．．．．．．．．．． 15

2．3．1 操作系统的选择．．．．．．．．．．．．．．．．．．．．．．．．．．．． 15

2．3．2 Python 开发环境的安装．．．．．．．．．．．．．．．．．．．．．．．． 16

2．3．3 PyTorch 的安装．．．．．．．．．．．．．．．．．．．．．．．．．．．． 18

第3 章多层全连接神经网络24

3．1 热身：PyTorch 基础．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 24

3．1．1 Tensor（张量）．．．．．．．．．．．．．．．．．．．．．．．．．．．． 24

3．1．2 Variable（变量）．．．．．．．．．．．．．．．．．．．．．．．．．．． 26

3．1．3 Dataset（数据集）．．．．．．．．．．．．．．．．．．．．．．．．．．． 28

3．1．4 nn．Module（模组）．．．．．．．．．．．．．．．．．．．．．．．．．． 29

3．1．5 torch．optim（优化）．．．．．．．．．．．．．．．．．．．．．．．．．． 30

3．1．6 模型的保存和加载．．．．．．．．．．．．．．．．．．．．．．．．．． 31

3．2 线性模型．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 32

3．2．1 问题介绍．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 32

3．2．2 一维线性回归．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 33

3．2．3 多维线性回归．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 34

3．2．4 一维线性回归的代码实现．．．．．．．．．．．．．．．．．．．．．． 35

3．2．5 多项式回归．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 38

3．3 分类问题．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 42

3．3．1 问题介绍．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 42

3．3．2 Logistic 起源．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 42

3．3．3 Logistic 分布．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 42

3．3．4 二分类的Logistic 回归．．．．．．．．．．．．．．．．．．．．．．．． 43

3．3．5 模型的参数估计．．．．．．．．．．．．．．．．．．．．．．．．．．．． 44

3．3．6 Logistic 回归的代码实现．．．．．．．．．．．．．．．．．．．．．．． 45

3．4 简单的多层全连接前向网络．．．．．．．．．．．．．．．．．．．．．．．．． 49

3．4．1 模拟神经元．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 49

3．4．2 单层神经网络的分类器．．．．．．．．．．．．．．．．．．．．．．．． 50

3．4．3 激活函数．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 51

3．4．4 神经网络的结构．．．．．．．．．．．．．．．．．．．．．．．．．．．． 54

3．4．5 模型的表示能力与容量．．．．．．．．．．．．．．．．．．．．．．．． 55

3．5 深度学习的基石：反向传播算法．．．．．．．．．．．．．．．．．．．．．．． 57

3．5．1 链式法则．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 57

3．5．2 反向传播算法．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 58

3．5．3 Sigmoid 函数举例．．．．．．．．．．．．．．．．．．．．．．．．．．． 58

3．6 各种优化算法的变式．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 59

3．6．1 梯度下降法．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 59

3．6．2 梯度下降法的变式．．．．．．．．．．．．．．．．．．．．．．．．．． 62

3．7 处理数据和训练模型的技巧．．．．．．．．．．．．．．．．．．．．．．．．． 64

3．7．1 数据预处理．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 64

3．7．2 权重初始化．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 66

3．7．3 防止过拟合．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 67

3．8 多层全连接神经网络实现MNIST 手写数字分类．．．．．．．．．．．．．． 69

3．8．1 简单的三层全连接神经网络．．．．．．．．．．．．．．．．．．．．． 70

3．8．2 添加激活函数．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 70

3．8．3 添加批标准化．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 71

3．8．4 训练网络．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 71

第4 章卷积神经网络76

4．1 主要任务及起源．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 76

4．2 卷积神经网络的原理和结构．．．．．．．．．．．．．．．．．．．．．．．．． 77

4．2．1 卷积层．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 80

4．2．2 池化层．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 84

4．2．3 全连接层．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 85

4．2．4 卷积神经网络的基本形式．．．．．．．．．．．．．．．．．．．．．． 85

4．3 PyTorch 卷积模块．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 87

4．3．1 卷积层．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 87

4．3．2 池化层．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 88

4．3．3 提取层结构．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 90

4．3．4 如何提取参数及自定义初始化．．．．．．．．．．．．．．．．．．．． 91

4．4 卷积神经网络案例分析．．．．．．．．．．．．．．．．．．．．．．．．．．．． 92

4．4．1 LeNet ．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 93

4．4．2 AlexNet ．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 94

4．4．3 VGGNet ．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 95

4．4．4 GoogLeNet ．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 98

4．4．5 ResNet ．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 100

4．5 再实现MNIST 手写数字分类．．．．．．．．．．．．．．．．．．．．．．．．． 103

4．6 图像增强的方法．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 105

4．7 实现cifar10 分类．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 107

第5 章循环神经网络111

5．1 循环神经网络．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 111

5．1．1 问题介绍．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 112

5．1．2 循环神经网络的基本结构．．．．．．．．．．．．．．．．．．．．．． 112

5．1．3 存在的问题．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 115

5．2 循环神经网络的变式：LSTM 与GRU ．．．．．．．．．．．．．．．．．．．． 116

5．2．1 LSTM ．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 116

5．2．2 GRU ．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 119

5．2．3 收敛性问题．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 120

5．3 循环神经网络的PyTorch 实现．．．．．．．．．．．．．．．．．．．．．．．． 122

5．3．1 PyTorch 的循环网络模块．．．．．．．．．．．．．．．．．．．．．．． 122

5．3．2 实例介绍．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 127

5．4 自然语言处理的应用．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 131

5．4．1 词嵌入．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 131

5．4．2 词嵌入的PyTorch 实现．．．．．．．．．．．．．．．．．．．．．．．． 133

5．4．3 N Gram 模型．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 133

5．4．4 单词预测的PyTorch 实现．．．．．．．．．．．．．．．．．．．．．．． 134

5．4．5 词性判断．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 136

5．4．6 词性判断的PyTorch 实现．．．．．．．．．．．．．．．．．．．．．．． 137

5．5 循环神经网络的更多应用．．．．．．．．．．．．．．．．．．．．．．．．．．． 140

5．5．1 Many to one ．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 140

5．5．2 Many to Many（shorter）．．．．．．．．．．．．．．．．．．．．．．． 141

5．5．3 Seq2seq ．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 141

5．5．4 CNN+RNN ．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 142

第6 章生成对抗网络144

6．1 生成模型．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 144

6．1．1 自动编码器．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 145

6．1．2 变分自动编码器．．．．．．．．．．．．．．．．．．．．．．．．．．．． 150

6．2 生成对抗网络．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 153

6．2．1 何为生成对抗网络．．．．．．．．．．．．．．．．．．．．．．．．．． 153

6．2．2 生成对抗网络的数学原理．．．．．．．．．．．．．．．．．．．．．． 160

6．3 Improving GAN ．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 164

6．3．1 Wasserstein GAN ．．．．．．．．．．．．．．．．．．．．．．．．．．．． 164

6．3．2 Improving WGAN ．．．．．．．．．．．．．．．．．．．．．．．．．．． 167

6．4 应用介绍．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 168

6．4．1 Conditional GAN ．．．．．．．．．．．．．．．．．．．．．．．．．．．． 168

6．4．2 Cycle GAN ．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 170

第7 章深度学习实战173

7．1 实例一――猫狗大战：运用预训练卷积神经网络进行特征提取与预测． 173

7．1．1 背景介绍．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 174

7．1．2 原理分析．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 174

7．1．3 代码实现．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 177

7．1．4 总结．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 183

7．2 实例二――Deep Dream：探索卷积神经网络眼中的世界．．．．．．．．． 183

7．2．1 原理介绍．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 184

7．2．2 预备知识：backward ．．．．．．．．．．．．．．．．．．．．．．．．． 185

7．2．3 代码实现．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 190

7．2．4 总结．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 195

7．3 实例三――Neural-Style：使用PyTorch 进行风格迁移．．．．．．．．．．． 196

7．3．1 背景介绍．

— 没有更多了 —