蝦皮商城
PyTorch是Facebook于2017年初在機器學習和科學計算工具Torch的基礎上，針對Python語言發布的一個全新的機器學習工具包，一經推出便受到了業界的廣泛關注和討論，目前已經成為機器學習從業人員的研發工具。《PyTorch深度學習》是使用PyTorch構建神經網路模型的實用指南，內容分為9章，包括PyTorch與深度學習的基礎知識、神經網路的構成、神經網路的知識、機器學習基礎知識、深度學習在電腦視覺中的應用、深度學習在序列數據和文本中的應用、生成網路、現代網路架構，以及PyTorch與深度學習的未來走向。《PyTorch深度學習》適合對深度學習領域感興趣且希望一探PyTorch的業內人員閱讀；具備其他深度學習框架使用經驗的讀者，也可以通過本書掌握PyTorch的用法。
| FindBook |
有 1 項符合
PyTorch深度學習的圖書 |
| |
PyTorch深度學習 出版日期：2019-04-01 |
| 圖書館借閱 |
| 國家圖書館 | 全國圖書書目資訊網 | 國立公共資訊圖書館 | 電子書服務平台 | MetaCat 跨館整合查詢 |
| 臺北市立圖書館 | 新北市立圖書館 | 基隆市公共圖書館 | 桃園市立圖書館 | 新竹縣公共圖書館 |
| 苗栗縣立圖書館 | 臺中市立圖書館 | 彰化縣公共圖書館 | 南投縣文化局 | 雲林縣公共圖書館 |
| 嘉義縣圖書館 | 臺南市立圖書館 | 高雄市立圖書館 | 屏東縣公共圖書館 | 宜蘭縣公共圖書館 |
| 花蓮縣文化局 | 臺東縣文化處 |
|
|
圖書介紹 - 資料來源：博客來 評分：
圖書名稱：PyTorch深度學習
內容簡介
作者介紹
[印度]毗濕奴·布拉馬尼亞(Vishnu Subramanian)，在領導、設計和實施大數據分析項目（人工智慧、機器學習和深度學習）方面富有經驗。擅長機器學習、深度學習、分散式機器學習和可視化等。在零售、金融和旅行等行業頗具經驗，還善於理解和協調企業、人工智慧和工程團隊之間的關係。
目錄
第 1章 PyTorch與深度學習 1
1.1 人工智慧 1
1.2 機器學習 3
1.3 深度學習 4
1.3.1 深度學習的應用 4
1.3.2 深度學習的浮誇宣傳 6
1.3.3 深度學習發展史 6
1.3.4 為何是現在 7
1.3.5 硬體可用性 7
1.3.6 資料和演算法 8
1.3.7 深度學習框架 9
1.4 小結 10
第2章 神經網路的構成 11
2.1 安裝PyTorch 11
2.2 實現第 一個神經網路 12
2.2.1 準備數據 13
2.2.2 為神經網路創建資料 20
2.2.3 載入數據 24
2.3 小結 25
第3章 深入瞭解神經網路 26
3.1 詳解神經網路的組成部分 26
3.1.1 層—神經網路的基本組成 27
3.1.2 非線性啟動函數 29
3.1.3 PyTorch中的非線性啟動函數 32
3.1.4 使用深度學習進行圖像分類 36
3.2 小結 46
第4章 機器學習基礎 47
4.1 三類機器學習問題 47
4.1.1 有監督學習 48
4.1.2 無監督學習 48
4.1.3 強化學習 48
4.2 機器學習術語 49
4.3 評估機器學習模型 50
4.4 資料預處理與特徵工程 54
4.4.1 向量化 54
4.4.2 值歸一化 54
4.4.3 處理缺失值 55
4.4.4 特徵工程 55
4.5 過擬合與欠擬合 56
4.5.1 獲取*多資料 56
4.5.2 縮小網路規模 57
4.5.3 應用權重正則化 58
4.5.4 應用dropout 58
4.5.5 欠擬合 60
4.6 機器學習專案的工作流 60
4.6.1 問題定義與資料集創建 60
4.6.2 成功的衡量標準 61
4.6.3 評估協議 61
4.6.4 準備數據 62
4.6.5 模型基線 62
4.6.6 大到過擬合的模型 63
4.6.7 應用正則化 63
4.6.8 學習率選擇策略 64
4.7 小結 65
第5章 深度學習之電腦視覺 66
5.1 神經網路簡介 66
5.2 從零開始構建CNN模型 69
5.2.1 Conv2d 71
5.2.2 池化 74
5.2.3 非線性啟動—ReLU 75
5.2.4 視圖 76
5.2.5 訓練模型 77
5.2.6 狗貓分類問題—從零開始構建CNN 80
5.2.7 利用遷移學習對狗貓分類 82
5.3 創建和探索VGG16模型 84
5.3.1 凍結層 85
5.3.2 微調VGG16模型 85
5.3.3 訓練VGG16模型 86
5.4 計算預卷積特徵 88
5.5 理解CNN模型如何學習 91
5.6 CNN層的視覺化權重 94
5.7 小結 95
第6章 序列資料和文本的深度學習 96
6.1 使用文本資料 96
6.1.1 分詞 98
6.1.2 向量化 100
6.2 通過構建情感分類器訓練詞向量 104
6.2.1 下載IMDB數據並對文本分詞 104
6.2.2 構建詞表 106
6.2.3 生成向量的批資料 107
6.2.4 使用詞向量創建網路模型 108
6.2.5 訓練模型 109
6.3 使用預訓練的詞向量 110
6.3.1 下載詞向量 111
6.3.2 在模型中載入詞向量 112
6.3.3 凍結embedding層權重 113
6.4 遞迴神經網路（RNN） 113
6.5 LSTM 117
6.5.1 長期依賴 117
6.5.2 LSTM網路 117
6.6 基於序列資料的卷積網路 123
6.7 小結 125
第7章 生成網路 126
7.1 神經風格遷移 126
7.1.1 載入數據 129
7.1.2 創建VGG模型 130
7.1.3 內容損失 131
7.1.4 風格損失 131
7.1.5 提取損失 133
7.1.6 為網路層創建損失函數 136
7.1.7 創建優化器 136
7.1.8 訓練 137
7.2 生成對抗網路（GAN） 138
7.3 深度卷機生成對抗網路 139
7.3.1 定義生成網路 140
7.3.2 定義判別網路 144
7.3.3 定義損失函數和優化器 145
7.3.4 訓練判別網路 145
7.3.5 訓練生成網路 146
7.3.6 訓練整個網路 147
7.3.7 檢驗生成的圖片 148
7.4 語言建模 150
7.4.1 準備數據 151
7.4.2 生成批數據 152
7.4.3 定義基於LSTM的模型 153
7.4.4 定義訓練和評估函數 155
7.4.5 訓練模型 157
7.5 小結 159
第8章 現代網路架構 160
8.1 現代網路架構 160
8.1.1 ResNet 160
8.1.2 Inception 168
8.2 稠密連接卷積網路（DenseNet） 175
8.2.1 DenseBlock 175
8.2.2 DenseLayer 176
8.3 模型集成 180
8.3.1 創建模型 181
8.3.2 提取圖片特徵 182
8.3.3 創建自訂資料集和資料載入器 183
8.3.4 創建集成模型 184
8.3.5 訓練和驗證模型 185
8.4 encoder-decoder架構 186
8.4.1 編碼器 188
8.4.2 解碼器 188
8.5 小結 188
第9章 未來走向 189
9.1 未來走向 189
9.2 回顧 189
9.3 有趣的創意應用 190
9.3.1 對象檢測 190
9.3.2 圖像分割 191
9.3.3 PyTorch中的OpenNMT 192
9.3.4 Allen NLP 192
9.3.5 fast.ai—神經網路不再神秘 192
9.3.6 Open Neural Network Exchange 192
9.4 如何跟上前沿 193
9.5 小結 193
1.1 人工智慧 1
1.2 機器學習 3
1.3 深度學習 4
1.3.1 深度學習的應用 4
1.3.2 深度學習的浮誇宣傳 6
1.3.3 深度學習發展史 6
1.3.4 為何是現在 7
1.3.5 硬體可用性 7
1.3.6 資料和演算法 8
1.3.7 深度學習框架 9
1.4 小結 10
第2章 神經網路的構成 11
2.1 安裝PyTorch 11
2.2 實現第 一個神經網路 12
2.2.1 準備數據 13
2.2.2 為神經網路創建資料 20
2.2.3 載入數據 24
2.3 小結 25
第3章 深入瞭解神經網路 26
3.1 詳解神經網路的組成部分 26
3.1.1 層—神經網路的基本組成 27
3.1.2 非線性啟動函數 29
3.1.3 PyTorch中的非線性啟動函數 32
3.1.4 使用深度學習進行圖像分類 36
3.2 小結 46
第4章 機器學習基礎 47
4.1 三類機器學習問題 47
4.1.1 有監督學習 48
4.1.2 無監督學習 48
4.1.3 強化學習 48
4.2 機器學習術語 49
4.3 評估機器學習模型 50
4.4 資料預處理與特徵工程 54
4.4.1 向量化 54
4.4.2 值歸一化 54
4.4.3 處理缺失值 55
4.4.4 特徵工程 55
4.5 過擬合與欠擬合 56
4.5.1 獲取*多資料 56
4.5.2 縮小網路規模 57
4.5.3 應用權重正則化 58
4.5.4 應用dropout 58
4.5.5 欠擬合 60
4.6 機器學習專案的工作流 60
4.6.1 問題定義與資料集創建 60
4.6.2 成功的衡量標準 61
4.6.3 評估協議 61
4.6.4 準備數據 62
4.6.5 模型基線 62
4.6.6 大到過擬合的模型 63
4.6.7 應用正則化 63
4.6.8 學習率選擇策略 64
4.7 小結 65
第5章 深度學習之電腦視覺 66
5.1 神經網路簡介 66
5.2 從零開始構建CNN模型 69
5.2.1 Conv2d 71
5.2.2 池化 74
5.2.3 非線性啟動—ReLU 75
5.2.4 視圖 76
5.2.5 訓練模型 77
5.2.6 狗貓分類問題—從零開始構建CNN 80
5.2.7 利用遷移學習對狗貓分類 82
5.3 創建和探索VGG16模型 84
5.3.1 凍結層 85
5.3.2 微調VGG16模型 85
5.3.3 訓練VGG16模型 86
5.4 計算預卷積特徵 88
5.5 理解CNN模型如何學習 91
5.6 CNN層的視覺化權重 94
5.7 小結 95
第6章 序列資料和文本的深度學習 96
6.1 使用文本資料 96
6.1.1 分詞 98
6.1.2 向量化 100
6.2 通過構建情感分類器訓練詞向量 104
6.2.1 下載IMDB數據並對文本分詞 104
6.2.2 構建詞表 106
6.2.3 生成向量的批資料 107
6.2.4 使用詞向量創建網路模型 108
6.2.5 訓練模型 109
6.3 使用預訓練的詞向量 110
6.3.1 下載詞向量 111
6.3.2 在模型中載入詞向量 112
6.3.3 凍結embedding層權重 113
6.4 遞迴神經網路（RNN） 113
6.5 LSTM 117
6.5.1 長期依賴 117
6.5.2 LSTM網路 117
6.6 基於序列資料的卷積網路 123
6.7 小結 125
第7章 生成網路 126
7.1 神經風格遷移 126
7.1.1 載入數據 129
7.1.2 創建VGG模型 130
7.1.3 內容損失 131
7.1.4 風格損失 131
7.1.5 提取損失 133
7.1.6 為網路層創建損失函數 136
7.1.7 創建優化器 136
7.1.8 訓練 137
7.2 生成對抗網路（GAN） 138
7.3 深度卷機生成對抗網路 139
7.3.1 定義生成網路 140
7.3.2 定義判別網路 144
7.3.3 定義損失函數和優化器 145
7.3.4 訓練判別網路 145
7.3.5 訓練生成網路 146
7.3.6 訓練整個網路 147
7.3.7 檢驗生成的圖片 148
7.4 語言建模 150
7.4.1 準備數據 151
7.4.2 生成批數據 152
7.4.3 定義基於LSTM的模型 153
7.4.4 定義訓練和評估函數 155
7.4.5 訓練模型 157
7.5 小結 159
第8章 現代網路架構 160
8.1 現代網路架構 160
8.1.1 ResNet 160
8.1.2 Inception 168
8.2 稠密連接卷積網路（DenseNet） 175
8.2.1 DenseBlock 175
8.2.2 DenseLayer 176
8.3 模型集成 180
8.3.1 創建模型 181
8.3.2 提取圖片特徵 182
8.3.3 創建自訂資料集和資料載入器 183
8.3.4 創建集成模型 184
8.3.5 訓練和驗證模型 185
8.4 encoder-decoder架構 186
8.4.1 編碼器 188
8.4.2 解碼器 188
8.5 小結 188
第9章 未來走向 189
9.1 未來走向 189
9.2 回顧 189
9.3 有趣的創意應用 190
9.3.1 對象檢測 190
9.3.2 圖像分割 191
9.3.3 PyTorch中的OpenNMT 192
9.3.4 Allen NLP 192
9.3.5 fast.ai—神經網路不再神秘 192
9.3.6 Open Neural Network Exchange 192
9.4 如何跟上前沿 193
9.5 小結 193
|
