全格局使用 PyTorch -- 深度學習和圖神經網路 -- 實戰篇

李金洪

  • 全格局使用 PyTorch -- 深度學習和圖神經網路 -- 實戰篇-preview-1
  • 全格局使用 PyTorch -- 深度學習和圖神經網路 -- 實戰篇-preview-2
  • 全格局使用 PyTorch -- 深度學習和圖神經網路 -- 實戰篇-preview-3
  • 全格局使用 PyTorch -- 深度學習和圖神經網路 -- 實戰篇-preview-4
  • 全格局使用 PyTorch -- 深度學習和圖神經網路 -- 實戰篇-preview-5
  • 全格局使用 PyTorch -- 深度學習和圖神經網路 -- 實戰篇-preview-6
  • 全格局使用 PyTorch -- 深度學習和圖神經網路 -- 實戰篇-preview-7
  • 全格局使用 PyTorch -- 深度學習和圖神經網路 -- 實戰篇-preview-8
  • 全格局使用 PyTorch -- 深度學習和圖神經網路 -- 實戰篇-preview-9
  • 全格局使用 PyTorch -- 深度學習和圖神經網路 -- 實戰篇-preview-10
  • 全格局使用 PyTorch -- 深度學習和圖神經網路 -- 實戰篇-preview-11
  • 全格局使用 PyTorch -- 深度學習和圖神經網路 -- 實戰篇-preview-12
  • 全格局使用 PyTorch -- 深度學習和圖神經網路 -- 實戰篇-preview-13
  • 全格局使用 PyTorch -- 深度學習和圖神經網路 -- 實戰篇-preview-14
  • 全格局使用 PyTorch -- 深度學習和圖神經網路 -- 實戰篇-preview-15
全格局使用 PyTorch -- 深度學習和圖神經網路 -- 實戰篇-preview-1

買這商品的人也買了...

相關主題

商品描述

熟悉基礎,精通實戰。

接續了上一本實戰篇的基礎,本書將介紹目前最流行的物體辨識和自然語言處理在圖神經網路上的最完整應用。當你熟悉了神經網路之後,接下來要精進的就是針對網路結果的強化及最佳化。在GNN的基礎上,針對目前最流行的視覺處理模型進行修改、架設及強化,並且實際應用在現有的平台上。本書的重點就是大量了使用現有的Python函數庫,並且應用了最新的資料集,讓你能真正看到資料套用在模型上的強大能力。在針對Pytorch的函數庫上,不但有視覺應用,更有號稱人工智慧明珠的NLP應用。使用了Torchtext以及NLP的唯一/最佳選擇Huggingface Transformers。而大家耳熟能詳,但又不知道怎麼用的模型,包括GPT-2、Transformer-XL、ALBERT、ELECTRA、DistillBERT等,在書中都有詳細介紹。另外為了解開DL的神祕,本書也難得介紹了Captum套件,讓深度神經網路更具可解釋性。本書最後也不忘介紹ZSL、這種極少量資料就可訓練高精度模型的方法。有關異質圖神經網路部分,也有大量DGL和NetworkX的範例,實戰篇+基礎篇兩本書,要不充分了解GNN都不行。

本書亮點
~GNN 最強實戰參考書~
• 使用圖型的預訓練模型、Torschvision,GaitSet模型、CASIA-B資料集
• 高級NLP模型訓練及微調、BERTology、CBOW、Skip-Gram、Torchtext、spaCy
• 文字使用模型TextCNN來把玩IMDB資料庫
• 高階工程師才會用的Mist啟動函數、Ranger最佳化器
• 正宗NLP函數庫Huggingface Transformers詳解、AutoModel、AutoModelWithMHead、多頭注意力、PretrainedTokernizer

作者簡介

李金洪

精通 C、Python、Java 語言,擅長神經網路、演算、協定分析、移動互聯網安全架構等技術,先後擔任過 CAD 演算工程師、架構師、專案經理、部門經理等職位。參與過深度學習領域某移動互聯網後臺的 OCR 項目,某娛樂節目機器人的語音辨識、聲紋識別專案,金融領域的若干分類專案。

目錄大綱

第 1 章 圖片分類模型
1.1 深度神經網路起源
1.2 Inception 系列模型
1.3 ResNet 模型
1.4 DenseNet 模型
1.5 PNASNet 模型
1.6 EfficientNet 模型
1.7 實例:使用預訓練模型辨識圖片內容
1.8 實例:使用遷移學習辨識多種鳥類
1.9 從深度卷積模型中提取視覺特徵
第 2 章 機器視覺的進階應用
2.1 基於圖片內容的處理任務
2.2 實例: 使用Mask R-CNN 模型進行目標檢測與語義分割
2.3 基於視訊內容的處理任務
2.4 實例: 用GaitSet 模型分析人走路的姿態,並進行身份辨識
2.5 偵錯技巧
第 3 章 自然語言處理的相關應用
3.1 BERT 模型與NLP 任務的發展階段
3.2 NLP 中的常見任務
3.3 實例: 訓練中文詞向量
3.4 常用文字處理工具
3.5 實例: 用TextCNN 模型分析評論者是否滿意3.6 了解Transformers 函數庫
3.7 實例: 使用Transformers 函數庫的管道方式完成多種NLP任務
3.8 Transformers 函數庫中的AutoModel 類別
3.9 Transformers 函數庫中的BERTology 系列模型
3.10 Transformers 函數庫中的詞表工具
3.11 BERTology 系列模型
3.12 實例: 用遷移學習訓練BERT 模型來對中文分類
3.13 實例: 用R-GCN 模型了解文字中的代詞
第 4 章 神經網路的可解釋性
4.1 了解模型解釋函數庫
4.2 實例: 用可解釋性了解數值分析神經網路模型
4.3 實例: 用可解釋性了解NLP 相關的神經網路模型
4.4 實例: 用Bertviz 工具視覺化BERT 模型權重
4.5 實例: 用可解釋性了解影像處理相關的神經網路模型
4.6 實例: 用可解釋性了解圖片分類相關的神經網路模型
第 5 章 辨識未知分類的方法-- 零次學習
5.1 了解零次學習
5.2 零次學習中的常見問題
5.3 帶有視覺結構約束的VSC 模型
5.4 詳解Sinkhorn 演算法
5.5 實例: 使用VSC 模型來辨識未知類別的鳥類圖片
5.6 針對零次學習的性能分析
第 6 章 異質圖神經網路
6.1 異質圖的基礎知識
6.2 二分圖的實現方式
6.3 異質圖的實現方式
6.4 隨機行走取樣
6.5 DGL 函數庫中的區塊圖結構
6.6 實例: 使用PinSAGE 模型架設推薦系統
6.7 複習