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 折 $458
- 語言: 簡體中文
- ISBN: 7302619840
- ISBN-13: 9787302619840
-
相關分類:
DeepLearning
立即出貨
買這商品的人也買了...
-
$301Web 接口開發與自動化測試 — 基於 Python 語言
-
$780$616 -
$403現代自然語言生成
-
$980$774 -
$650$513 -
$1,680$1,596 -
$658UiPath RPA 開發:入門、實戰與進階
-
$556AI 源碼解讀:機器學習案例 (Python版)
-
$517深度學習 — 理論、方法與 PyTorch 實踐
-
$401深度學習:基於稀疏和低秩模型
-
$564AI 源碼解讀:捲積神經網絡(CNN)深度學習案例 (Python版)
-
$180ITIL 4 與 DevOps 服務管理認證指南, 2/e
-
$780$616 -
$1,200$948 -
$500$390 -
$403$379 -
$407$383 -
$414$393 -
$880$695 -
$880$695 -
$499$394 -
$594$564 -
$352SAR 影像去雜訊模型及演算法
-
$419$398 -
$720$569
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