动手学PyTorch深度学习建模与应用
全新正版 极速发货
￥ 48.54 6.1折 ￥ 79 全新
库存12件
广东东莞
认证卖家担保交易快速发货售后保障
作者王国平
出版社清华大学出版社
ISBN9787302598985
出版时间2022-03
装帧平装
开本16开
定价79元
货号1202597693
上书时间2024-12-01
- 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
-
作者简介
王国平,毕业于上海海洋大学，硕士，从业10余年，主要从事数据可视化、数据挖掘和大数据分析与研究等工作。精通Tableau、SPSS、PyTorch、Power BI等软件，已出版《IBM SPSS Modeler数据与文本挖掘实战》《Microsoft Power BI数据可视化与数据分析》《Tableau数据可视化从入门到精通》《零基础入门Python数据分析与机器学习》等图书。
目录
第1章 深度学习环境搭建1
1.1 深度学习概述1
1.1.1 深度学习发展历史1
1.1.2 深度学习框架比较2
1.1.3 深度学习应用领域5
1.2 搭建开发环境6
1.2.1 安装Python 3.106
1.2.2 安装Jupyter Lab10
1.2.3 安装PyTorch 1.1012
1.3 PyTorch应用场景16
1.4 动手练习：每日优选温度预测17
1.5 练习题20
第2章 PyTorch与数学基础21
2.1 PyTorch中的函数21
2.1.1 函数基础知识21
2.1.2 PyTorch中的主要函数24
2.2 微分基础26
2.2.1 微分及其公式26
2.2.2 PyTorch自动微分28
2.3 数理统计基础33
2.3.1 数理统计及其指标33
2.3.2 PyTorch统计函数38
2.4 矩阵基础46
2.4.1 矩阵及其运算47
2.4.2 PyTorch矩阵运算49
2.5 动手练习：拟合余弦函数曲线54
2.6 练习题57
第3章 PyTorch的基本概念58
3.1 张量及其创建58
3.1.1 张量及其数据类型58
3.1.2 数组直接创建张量59
3.1.3 概率分布创建张量61
3.2 激活函数62
3.2.1 激活函数及必要性62
3.2.2 Sigmoid激活函数63
3.2.3 Tanh激活函数64
3.2.4 ReLU激活函数65
3.2.5 Leakly ReLU激活函数67
3.2.6 其他类型的激活函数68
3.3 损失函数69
3.3.1 损失函数及选取69
3.3.2 L1范数损失函数70
3.3.3 均方误差损失函数71
3.3.4 交叉熵损失函数72
3.3.5 余弦相似度损失73
3.3.6 其他损失函数74
3.4 优化器74
3.4.1 梯度及梯度下降74
3.4.2 随机梯度下降算法76
3.4.3 标准动量优化算法76
3.4.4 AdaGrad算法77
3.4.5 RMSProp算法77
3.4.6 Adam算法78
3.5 动手练习：PyTorch优化器比较78
3.6 练习题82
第4章 PyTorch深度神经网络83
4.1 神经网络概述83
4.1.1 神经元模型83
4.1.2 多层感知器85
4.1.3 前馈神经网络87
4.2 卷积神经网络87
4.2.1 卷积神经网络的历史88
4.2.2 卷积神经网络的结构88
4.2.3 卷积神经网络的类型90
4.3 几种常见的循环神经网络93
4.3.1 循环神经网络93
4.3.2 长短期记忆网络96
4.3.3 门控循环单元97
4.4 动手练习：股票成交量趋势预测98
4.5 练习题104
第5章 PyTorch数据建模105
5.1 回归分析及案例105
5.1.1 回归分析简介105
5.1.2 回归分析建模106
5.1.3 动手练习：住房价格回归预测109
5.2 聚类分析及案例112
5.2.1 聚类分析简介113
5.2.2 聚类分析建模113
5.2.3 动手练习：植物花卉特征聚类115
5.3 主成分分析及案例118
5.3.1 主成分分析简介118
5.3.2 主成分分析建模119
5.3.3 动手练习：地区竞争力指标降维120
5.4 模型评估与调优124
5.4.1 模型评估方法124
5.4.2 模型调优方法128
5.4.3 动手练习：PyTorch实现交叉验证129
5.5 练习题134
第6章 PyTorch图像建模135
6.1 图像建模概述135
6.1.1 图像分类技术135
6.1.2 图像识别技术136
6.1.3 图像分割技术137
6.2 动手练习：创建图像自动分类器138
6.2.1 加载数据集138
6.2.2 搭建网络模型139
6.2.3 训练网络模型140
6.2.4 应用网络模型141
6.3 动手练习：搭建图像自动识别模型142
6.3.1 加载数据集142
6.3.2 搭建与训练网络143
6.3.3 预测图像数据144
6.3.4 图像识别模型的判断145
6.4 动手练习：搭建图像自动分割模型148
6.4.1 加载数据集148
6.4.2 搭建网络模型149
6.4.3 训练网络模型152
6.4.4 应用网络模型153
6.5 练习题155
第7章 PyTorch文本建模156
7.1 自然语言处理的几个模型156
7.1.1 Word2Vec模型156
7.1.2 Seq2Seq模型157
7.1.3 Attention模型158
7.2 动手练习：Word2Vec提取相似文本159
7.2.1 加载数据集159
7.2.2 搭建网络模型162
7.2.3 训练网络模型163
7.2.4 应用网络模型164
7.3 动手练习：Seq2Seq实现机器翻译165
7.3.1 加载数据集165
7.3.2 搭建网络模型168
7.3.3 训练网络模型172
7.3.4 应用网络模型174
7.4 动手练习：Attention模型实现文本自动分类175
7.4.1 加载数据集175
7.4.2 搭建网络模型177
7.4.3 训练网络模型178
7.4.4 应用网络模型181
7.5 练习题181
第8章 PyTorch音频建模182
8.1 音频处理及应用182
8.1.1 音频处理技术182
8.1.2 音频摘要及应用183
8.1.3 音频识别及应用184
8.1.4 音频监控及应用185
8.1.5 场景感知及其应用186
8.2 音频特征提取步骤187
8.2.1 特征提取流程187
8.2.2 音频预处理187
8.2.3 傅里叶变换188
8.2.4 能量谱处理189
8.2.5 离散余弦转换190
8.3 PyTorch音频建模190
8.3.1 加载音频数据源190
8.3.2 波形变换的类型191
8.3.3 绘制波形频谱图192
8.3.4 波形Mu-Law编码194
8.3.5 变换前后波形比较196
8.4 动手练习：音频相似度分析196
8.5 练习题198
第9章 PyTorch模型可视化199
9.1 Visdom199
9.1.1 Visdom简介199
9.1.2 Visdom可视化操作201
9.1.3 动手练习：识别手写数字214
9.2 TensorBoard219
9.2.1 TensorBoard简介219
9.2.2 TensorBoard基础操作221
9.2.3 动手练习：可视化模型参数229
9.3 Pytorchviz231
9.3.1 Pytorchviz简介231
9.3.2 动手练习：Pytorchviz建模可视化231
9.4 Netron233
9.4.1 Netron简介233
9.4.2 动手练习：Netron建模可视化234
9.5 练习题237
第10章 PyTorch联邦学习238
10.1 联邦学习算法简介238
10.1.1 联邦学习提出背景238
10.1.2 联邦学习基本概念239
10.2 联邦学习主要类型239
10.2.1 横向联邦学习及其过程240
10.2.2 纵向联邦学习及其过程241
10.2.3 联邦迁移学习及其过程242
10.3 联邦学习研究现状242
10.3.1 算法重要研究进展242
10.3.2 联邦学习算法优化243
10.3.3 主要应用前景介绍244
10.4 动手练习：手写数字识别245
10.4.1 读取手写数据集245
10.4.2 训练与测试模型246
10.4.3 模型结果输出250
10.5 练习题252
附录A Python常用第三方工具包简介253
A.1 数据分析类包253
A.2 数据可视化类包254
A.3 机器学习类包255
参考文献258
内容摘要
本书以新版深度学习框架PyTorch为基础，循序渐进地介绍其在深度学习中的应用。全书共10章，从深度学习数学知识入手，逐步介绍PyTorch在数值建模、图像建模、文本建模、音频建模中的基本概念及应用示例，还将介绍模型的可视化和联邦学习等内容，以扩展读者的视野。本书在讲解每一个知识点的同时，都配合有动手练习实例，便于读者深入理解所学知识，并达成学以致用的目标。
本书原理与实践并重，易于理解且可操作性强，特别适合PyTorch新手、大学生、研究人员和开发人员使用，也可作为高等院校相关专业的教学用书。
主编推荐
"本书是一本综合讲述深度学习PyTorch框架的入门书，从数学知识和基本概念入手讲解，语言通俗，图文并茂，非常易于理解。
全书共20个案例，基本上每一种模型都先讲解基础知识，再配合实操案例，理论兼备实操，有助于读者快速理解。
所有程序示例都进行了详细说明，同时在讲解程序示例时辅以练习题。全书程序示例都免费提供完整的源代码，读者可以参照程序直接上机实践与练习。
本书的内容也较为丰富，如涉及深度神经网络、数值建模、图像建模、文本建模、音频建模、模型可视化等内容，有助于读者在学习PyTorch框架的基础上广泛了解深度学习在多个领域的应用。
本书使用当前新版Python 3.10和PyTorch 1.10版本编写，旨在使读者了解新版本的新特性。
"
— 没有更多了 —
以下为对购买帮助不大的评价