PyTorch实战
全新正版 极速发货
￥ 79.5 5.0折 ￥ 158 全新
库存3件
浙江嘉兴
认证卖家担保交易快速发货售后保障
作者(印)阿施·拉贾汉·贾|译者:郭涛//孙云华//王昭生//刘志红
出版社电子工业
ISBN9787121475535
出版时间2024-03
装帧平装
开本其他
定价158元
货号32038276
上书时间2025-01-08
商品详情
- 品相描述：全新
- 商品描述
-
作者简介
郭涛，TuringLab发起人，主要从事模式识别与人工智能、智能机器人技术、软件工程技术和地理人工智能（GeoAI）、时空大数据挖掘与分析等前沿交叉领域研究。曾翻译过《复杂性思考：复杂性科学和计算模型（第2版）》《神经网络设计与实现》等多本图书。
目录
第1部分 PyTorch概述
第1章 使用PyTorch概述深度学习
1.1 技术要求
1.2 回顾深度学习
1.2.1 激活函数
1.2.2 优化模式
1.3 探索PyTorch库
1.3.1 PyTorch模块
1.3.2 Tensor模块
1.4 使用PyTorch训练神经网络
1.5 总结
第2章 结合CNN和LSTM
2.1 技术要求
2.2 使用CNN和LSTM构建神经网络
2.3 使用PyTorch构建图像文字描述生成器
2.3.1 下载图像文字描述数据集
2.3.2 预处理文字描述（文本）数据
2.3.3 预处理图像数据
2.3.4 定义图像文字描述数据加载器
2.3.5 定义CNN-LSTM模型
2.3.6 训练CNN-LSTM模型
2.3.7 使用已经训练的模型生成图像文字描述
2.4 总结
第2部分 使用高级神经网络架构
第3章 深度CNN架构
3.1 技术要求
3.2 为什么CNN如此强大？
3.3 CNN架构的演变
3.4 从零开始开发LeNet
3.4.1 使用PyTorch构建LeNet
3.4.2 训练LeNet
3.4.3 测试LeNet
3.5 微调AlexNet模型
3.6 运行预训练的VGG模型
3.7 探索GoogLeNet和Inceptionv3
3.7.1 Inception模块
3.7.21 ×1卷积
3.7.3 全局平均池化
3.7.4 辅助分类器
3.7.5 Inceptionv3
3.8 讨论ResNet和DenseNet架构
3.9 了解EfficientNets和CNN架构的未来
3.10 总结
第4章 深度循环模型架构
4.1 技术要求
4.2 探索循环网络的演变
4.2.1 循环神经网络的类型
4.2.2 RNN
4.2.3 双向RNN
4.2.4 LSTM
内容摘要
本书以PyTorch作为深度学习框架，主要包括4部分。第1部分（第1、2章），主要概述PyTorch基础知识与常见深度学习算法实现，例如，CNN、LSTM，即CNN-LSTM；第2部分（第3～5章）高级神经网络实现，主要包括常见的深度学习网络结构，例如CNN、RNN及最新的Transformer等模型；第3部分（第6～9章）生成式AI和深度强化学习，主要包括GAN、GPT和DQN等算法；第4部分（第10～14章）生产中PyTorch落地的几个关键性主题，分布式训练、自动机器学习管道构建和硬件快速部署。
本书内容翔实，以案例作为场景，通过PyTorch深度学习框架对AI算法进行了实现，适合对人工智能感兴趣的高校教师、企业工程师及对AI算法感兴趣的技术人员和研究人员阅读。
相关推荐
— 没有更多了 —
以下为对购买帮助不大的评价