PyTorch深度学习简明实战
正版保障 假一赔十 可开发票
￥ 59.27 6.6折 ￥ 89.8 全新
库存26件
广东广州
认证卖家担保交易快速发货售后保障
作者日月光华
出版社清华大学出版社
ISBN9787302619840
出版时间2022-10
装帧平装
开本16开
定价89.8元
货号11829461
上书时间2024-12-11
商品详情
- 品相描述：全新
- 商品描述
-
作者简介
"日月光华：
网易云课堂资深讲师,经验丰富的数据科学家和深度学习算法工程师。擅长使用Python编程,编写爬虫并利用Python进行数据分析和可视化。对机器学习和深度学习有深入理解,熟悉常见的深度学习框架( PyTorch、TensorFlow)和模型，有丰富的深度学习、数据分析和爬虫等开发经验，著有畅销书《Python网络爬虫实例教程(视频讲解版)》。
"
目录
第1篇深度学习基础篇
第1章PyTorch简介与安装
1.1PyTorch简介
1.2PyTorch的主要应用
1.3PyTorch安装
1.3.1CPU版本PyTorch安装
1.3.2GPU版本PyTorch安装
1.3.3安装辅助库和安装测试
1.4本章小结
第2章机器学习基础与线性回归
2.1机器学习基础
2.2线性回归
2.3本章小结
第3章张量与数据类型
3.1PyTorch张量
3.1.1初始化张量
3.1.2张量类型
3.1.3创建随机值张量
3.1.4张量属性
3.1.5将张量移动到显存
3.2张量运算
3.2.1与NumPy数据类型的转换
3.2.2张量的变形
3.3张量的自动微分
3.4本章小结
第4章分类问题与多层感知器
4.1torchvision库
4.2加载内置图片数据集
4.3多层感知器
4.4激活函数
4.4.1ReLU激活函数
4.4.2Sigmoid激活函数
4.4.3Tanh激活函数
4.4.4LeakyReLU激活函数
4.5本章小结
第5章多层感知器模型与模型训练
5.1多层感知器模型
5.2损失函数
5.3优化器
5.4初始化模型
5.5编写训练循环
5.6本章小结
第6章梯度下降法、反向传播算法与内置优化器
6.1梯度下降法
6.2反向传播算法
6.3PyTorch内置的优化器
6.3.1SGD优化器
6.3.2RMSprop优化器
6.3.3Adam优化器
6.4本章小结
第2篇计算机视觉篇
第7章计算机视觉与卷积神经网络
7.1什么是卷积神经网络
7.2池化层
7.3卷积神经网络的整体架构
7.4本章小结
第8章卷积入门实例
8.1数据输入
8.2创建卷积模型并训练
8.3函数式API
8.4超参数选择
8.5本章小结
第9章图像读取与模型保存
9.1加载图片数据集
9.2创建图片分类模型
9.3模型保存
9.3.1保存和加载模型权重
9.3.2保存和恢复检查点
9.3.3保存很优参数
9.4本章小结
第10章多分类问题与卷积模型的优化
10.1创建自定义Dataset类
10.2基础卷积模型
10.3Dropout抑制过拟合
10.4批标准化
10.5学习速率衰减
10.6本章小结
第11章迁移学习与数据增强
11.1什么是迁移学习
11.2数据增强
11.3微调
11.4本章小结
第12章经典网络模型与特征提取
12.1VGG
12.2ResNet
12.3TensorBoard可视化
12.4ResNetBasicBlock结构
12.5Inception
12.6DenseNet
12.7DenseNet预训练模型提取特征
12.8本章小结
第13章图像定位基础
13.1简单图像定位模型
13.2数据集观察
13.3创建模型输入
13.4创建图像定位模型
13.5模型保存与测试
13.6本章小结
第14章图像语义分割
14.1常见图像处理任务
14.2图像语义分割
14.3U-Net语义分割模型
14.4创建输入dataset
14.5反卷积
14.6U-Net模型代码实现
14.7模型训练
14.8模型的保存和预测
14.9本章小结
第3篇自然语言处理和序列篇
第15章文本分类与词嵌入
15.1文本的数值表示
15.1.1Word2vec
15.1.2Glove
15.1.3EmbeddingLayer
15.2torchtext加载内置文本数据集
15.3创建DataLoader和文本分类模型
15.3.1Xavier初始化方法
15.3.2kaiming初始化方法
15.4本章小结
第16章循环神经网络与一维卷积神经网络
16.1循环神经网络的概念
16.2长短期记忆网络
16.3门控循环单元
16.4LSTM和GRU高阶API
16.5循环神经网络的应用
16.6中文文本分类实例
16.7LSTM模型的优化
16.8一维卷积神经网络
16.9本章小结
第17章序列预测实例
17.1时间序列数据集准备
17.2序列预测模型
17.3本章小结
第4篇生成对抗网络和目标检测篇
第18章生成对抗网络
18.1GAN的概念及应用
18.1.1什么是GAN
18.1.2GAN的应用
18.2基本的GAN实例
18.3深度卷积生成对抗网络
18.4本章小结
……
内容摘要
本书针对深度学习及开源框架——PyTorch，采用简明的语言进行知识的讲解，注重实战。全书分为4篇，共19章。深度学习基础篇（第1章～第6章）包括PyTorch简介与安装、机器学习基础与线性回归、张量与数据类型、分类问题与多层感知器、多层感知器模型与模型训练、梯度下降法、反向传播算法与内置优化器。计算机视觉篇（第7章～第14章）包括计算机视觉与卷积神经网络、卷积入门实例、图像读取与模型保存、多分类问题与卷积模型的优化、迁移学习与数据增强、经典网络模型与特征提取、图像定位基础、图像语义分割。自然语言处理和序列篇（第15章～第17章）包括文本分类与词嵌入、循环神经网络与一维卷积神经网络、序列预测实例。生成对抗网络和目标检测篇（第18章～第19章）包括生成对抗网络、目标检测。
本书适合人工智能行业的软件工程师、对人工智能感兴趣的学生学习，同时也可作为深度学习的培训教程。
主编推荐
"深度学习是机器学习领域中一个重要的研究方向，它被引入机器学习使其更接近于最初的目标——人工智能。深度学习作为机器学习的一种，而机器学习是实现人工智能的必经路径，因此读者有必要深入了解深度学习。
本书对深受研究人员关注的深度学习及其开源框架——PyTorch进行了讲解。PyTorch凭借其易学习性、高效性以及与Python开发的天然亲近性，获得了深度学习研究人员以及数据科学家们的关注。本书从PyTorch的安装讲起，还介绍了回归问题、张量基础、多层感知器、卷积基础和卷积模型、迁移学习和数据增强、经典网络架构、图像定位、图像语义分割、目标识别、循环神经网络和文本分类、一维卷积模型、序列预测、生成对抗网络等内容。
书中采用简明的语言进行知识的讲解、注重实战。
读者通过书中的基础与实战部分的学习，可快速掌握深度学习，并学会使用PyTorch轻松开发深度学习应用程序来解决各类深度学习问题。"
相关推荐
— 没有更多了 —
以下为对购买帮助不大的评价