PyTorch 深度學習簡明實戰

日月光華

  • 出版商: 清華大學
  • 出版日期: 2022-10-01
  • 定價: $539
  • 售價: 8.5$458
  • 語言: 簡體中文
  • ISBN: 7302619840
  • ISBN-13: 9787302619840
  • 相關分類: DeepLearning
  • 立即出貨

  • PyTorch 深度學習簡明實戰-preview-1
  • PyTorch 深度學習簡明實戰-preview-2
  • PyTorch 深度學習簡明實戰-preview-3
PyTorch 深度學習簡明實戰-preview-1

買這商品的人也買了...

商品描述

本書針對深度學習及開源框架——PyTorch,採用簡明的語言進行知識的講解,註重實戰。全書分為4篇,共19章。深度學習基礎篇(第1章~第6章)包括PyTorch簡介與安裝、機器學習基礎與線性回歸、張量與數據類型、分類問題與多層感知器、多層感知器模型與模型訓練、梯度下降法、反向傳播算法與內置優化器。電腦視覺篇(第7章~第14章)包括電腦視覺與捲積神經網絡、捲積入門實例、圖像讀取與模型保存、多分類問題與捲積模型的優化、遷移學習與數據增強、經典網絡模型與特徵提取、圖像定位基礎、圖像語義分割。自然語言處理和序列篇(第15章~第17章)包括文本分類與詞嵌入、循環神經網絡與一維捲積神經網絡、序列預測實例。生成對抗網絡和目標檢測篇(第18章~第19章)包括生成對抗網絡、目標檢測。 本書適合人工智能行業的軟件工程師、對人工智能感興趣的學生學習,同時也可作為深度學習的培訓教程。

目錄大綱

目 錄

第1篇 深度學習基礎篇

第1 章 PyTorch 簡介與安裝 ................. 2

1.1 PyTorch 簡介 ................................... 2

1.2 PyTorch 的主要應用 ....................... 3

1.3 PyTorch 安裝 ................................... 4

1.3.1 CPU 版本PyTorch 安裝 ..................... 5

1.3.2 GPU 版本PyTorch 安裝 ..................... 6

1.3.3 安裝輔助庫和安裝測試 ...................... 7

1.4 本章小結 ....................................... 10

第2 章 機器學習基礎與線性回歸 ....... 11

2.1 機器學習基礎 ............................... 11

2.2 線性回歸 ....................................... 12

2.3 本章小結 ....................................... 18

第3 章 張量與數據類型 ...................... 19

3.1 PyTorch 張量 ................................. 19

3.1.1 初始化張量 ....................................... 19

3.1.2 張量類型 ........................................... 20

3.1.3 創建隨機值張量 ............................... 21

3.1.4 張量屬性 ........................................... 22

3.1.5 將張量移動到顯存 ........................... 22

3.2 張量運算 ....................................... 23

3.2.1 與NumPy 數據類型的轉換 ............. 24

3.2.2 張量的變形 ....................................... 24

3.3 張量的自動微分 ............................ 25

3.4 本章小結 ........................................ 26

第4 章 分類問題與多層感知器 ........... 27

4.1 torchvision 庫 ................................. 27

4.2 加載內置圖片數據集 .................... 27

4.3 多層感知器 .................................... 30

4.4 激活函數 ........................................ 33

4.4.1 ReLU 激活函數 ................................ 33

4.4.2 Sigmoid 激活函數 ............................. 34

4.4.3 Tanh 激活函數 .................................. 35

4.4.4 LeakyReLU 激活函數 ....................... 36

4.5 本章小結 ........................................ 37

第5 章 多層感知器模型與模型訓練 .... 38

5.1 多層感知器模型 ............................ 38

5.2 損失函數 ........................................ 40

5.3 優化器 ............................................ 41

5.4 初始化模型 .................................... 42

5.5 編寫訓練循環 ................................ 42

5.6 本章小結 ........................................ 46

第6 章 梯度下降法、反向傳播算法與內置優化器 ......................... 47

6.1 梯度下降法 .................................... 47

6.2 反向傳播算法 ............................... 49

6.3 PyTorch 內置的優化器 ................. 50

6.3.1 SGD 優化器 ...................................... 51

6.3.2 RMSprop 優化器 .............................. 51

6.3.3 Adam 優化器 .................................... 51

6.4 本章小結 ........................................ 52

第2 篇 電腦視覺篇

第7 章 電腦視覺與捲積神經網絡 .... 54

7.1 什麽是捲積神經網絡 ................... 54

7.2 池化層 ........................................... 57

7.3 捲積神經網絡的整體架構 ............ 59

7.4 本章小結 ....................................... 60

第8 章 捲積入門實例 ......................... 61

8.1 數據輸入 ....................................... 61

8.2 創建捲積模型並訓練 ................... 62

8.3 函數式API .................................... 66

8.4 超參數選擇 ................................... 67

8.5 本章小結 ....................................... 68

第9 章 圖像讀取與模型保存 ............... 69

9.1 加載圖片數據集 ........................... 69

9.2 創建圖片分類模型 ....................... 74

9.3 模型保存 ....................................... 77

9.3.1 保存和加載模型權重........................ 77

9.3.2 保存和恢復檢查點 ........................... 77

9.3.3 保存最優參數 ................................... 79

9.4 本章小結 ....................................... 80

第10 章 多分類問題與捲積模型的優化 ..................................... 82

10.1 創建自定義Dataset 類 ................ 82

10.2 基礎捲積模型 ............................. 87

10.3 Dropout 抑制過擬合 .................... 89

10.4 批標準化 ...................................... 93

10.5 學習速率衰減 .............................. 96

10.6 本章小結 ...................................... 98

第11 章 遷移學習與數據增強 ............. 99

11.1 什麽是遷移學習 .......................... 99

11.2 數據增強 .................................... 103

11.3 微調 ............................................ 109

11.4 本章小結 .................................... 112

第12 章 經典網絡模型與特徵提取 ... 113

12.1 VGG ........................................... 113

12.2 ResNet ........................................ 115

12.3 TensorBoard 可視化 .................. 117

12.4 ResNetBasicBlock 結構 ............. 120

12.5 Inception ..................................... 123

12.6 DenseNet .................................... 126

12.7 DenseNet 預訓練模型提取特徵 .................................... 128

12.8 本章小結 .................................... 131

第13 章 圖像定位基礎 ..................... 132

13.1 簡單圖像定位模型 .................... 132

13.2 數據集觀察 ................................ 133

13.3 創建模型輸入 ............................ 138

13.4 創建圖像定位模型 ................... 141

13.5 模型保存與測試 ....................... 146

13.6 本章小結 ................................... 147

第14 章 圖像語義分割 ..................... 148

14.1 常見圖像處理任務 ................... 148

14.2 圖像語義分割 ........................... 150

14.3 U-Net 語義分割模型 ................. 152

14.4 創建輸入dataset ........................ 154

14.5 反捲積 ........................................ 158

14.6 U-Net 模型代碼實現 ................. 159

14.7 模型訓練 .................................... 163

14.8 模型的保存和預測 .................... 166

14.9 本章小結 .................................... 168

第3 篇 自然語言處理和序列篇

第15 章 文本分類與詞嵌入 .............. 172

15.1 文本的數值表示 ....................... 172

15.1.1 Word2vec ....................................... 174

15.1.2 Glove ............................................. 174

15.1.3 Embedding Layer ........................... 174

15.2 torchtext 加載內置文本數據集 .. 175

15.3 創建DataLoader 和文本分類模型 ........................................... 178

15.3.1 Xavier 初始化方法 ........................ 181

15.3.2 kaiming 初始化方法 ..................... 182

15.4 本章小結 ................................... 184

第16 章 循環神經網絡與一維捲積神經網絡 ............................ 185

16.1 循環神經網絡的概念................ 185

16.2 長短期記憶網絡 ........................ 192

16.3 門控循環單元 ............................ 194

16.4 LSTM 和GRU 高階API ........... 195

16.5 循環神經網絡的應用 ................ 197

16.6 中文文本分類實例 .................... 198

16.7 LSTM 模型的優化 .................... 201

16.8 一維捲積神經網絡 .................... 203

16.9 本章小結 .................................... 207

第17 章 序列預測實例 ..................... 208

17.1 時間序列數據集準備 ................ 208

17.2 序列預測模型 ............................ 214

17.3 本章小結 .................................... 215

第4 篇 生成對抗網絡和目標檢測篇

第18 章 生成對抗網絡 ..................... 218

18.1 GAN 的概念及應用 .................. 218

18.1.1 什麽是GAN .................................. 218

18.1.2 GAN 的應用 .................................. 220

18.2 基本的GAN 實例 ..................... 221

18.3 深度捲積生成對抗網絡 ............ 227

18.4 本章小結 .................................... 231

第19 章 目標檢測 ............................ 232

19.1 什麽是目標檢測 ....................... 232

19.2 常用目標檢測算法 ................... 234

19.3 PyTorch 目標檢測模塊 ............. 236

19.4 目標檢測的圖像標註................ 241

19.5 使用自行標註數據集訓練目標檢測模型 ............................ 242

19.6 本章小結 .................................... 249

參考文獻 ............................................ 250