深度學習入門之PyTorch 下載 mobi epub pdf 電子書 2025

簡體網頁||繁體網頁

☆☆☆☆☆

廖星宇著

下載連結在頁面底部

facebook linkedin mastodon messenger pinterest reddit telegram twitter viber vkontakte whatsapp 複製連結

想要找書就要到圖書大百科

book.qciss.net

立刻按 ctrl+D收藏本頁

你會得到大驚喜!!

齣版社：電子工業齣版社

ISBN：9787121326202

版次：1

商品編碼：12205841

品牌：Broadview

包裝：平裝

叢書名：博文視點AI係列

開本：16開

齣版時間：2017-09-01

用紙：膠版紙

頁數：232

正文語種：中文

具體描述

産品特色

編輯推薦

適讀人群：本書將理論和代碼相結閤，幫助讀者更好地進入深度學習領域，適閤任何對深度學習感興趣的人。

1 作者本身也是從小白開始入門深度學習的，無論從書中內容，還是講解思路，以及語言風格，均適閤你從零開始進入深度學習這個充滿魔力的世界。

2 實例簡單而不簡約，用到瞭生成對抗網絡和注意力機製等目前相對前沿的深度學習技術。

3 雖然是一本入門教程，但是對原理的講述也不含糊，清晰易懂，讓讀者能知其然且知其所以然。

內容簡介

深度學習如今已經成為瞭科技領域*炙手可熱的技術，在本書中，我們將幫助你入門深度學習的領域。本書將從人工智能的介紹入手，瞭解機器學習和深度學習的基礎理論，並學習如何用PyTorch框架對模型進行搭建。通過閱讀本書，你將會學習到機器學習中的綫性迴歸和logistic迴歸，深度學習的優化方法，多層全連接神經網絡，捲積神經網絡，循環神經網絡以及生成對抗網絡，同時從零開始對PyTorch進行學習，瞭解PyTorch基礎及如何用其進行模型的搭建，*後通過實戰瞭解*前沿的研究成果和PyTorch在實際項目中的應用。

作者簡介

廖星宇，目前就讀於中國科學技術大學應用數學係，獲得國傢一等奬學金。在個人博客、知乎等平颱上發布多篇關於深度學習的文章，具有一定的閱讀量和人氣。

第1 章深度學習介紹1
1．1 人工智能．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 1
1．2 數據挖掘、機器學習與深度學習．．．．．．．．．．．．．．．．．．．．．．． 2
1．2．1 數據挖掘．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 3
1．2．2 機器學習．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 3
1．2．3 深度學習．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 4
1．3 學習資源與建議．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 8
第2 章深度學習框架11
2．1 深度學習框架介紹．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 11
2．2 PyTorch 介紹．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 13
2．2．1 什麼是PyTorch ．．．．．．．．．．．．．．．．．．．．．．．．．．．． 13
2．2．2 為何要使用PyTorch ．．．．．．．．．．．．．．．．．．．．．．．．．． 14
2．3 配置PyTorch 深度學習環境．．．．．．．．．．．．．．．．．．．．．．．．．． 15
2．3．1 操作係統的選擇．．．．．．．．．．．．．．．．．．．．．．．．．．．． 15
2．3．2 Python 開發環境的安裝．．．．．．．．．．．．．．．．．．．．．．．． 16
2．3．3 PyTorch 的安裝．．．．．．．．．．．．．．．．．．．．．．．．．．．． 18
第3 章多層全連接神經網絡24
3．1 熱身：PyTorch 基礎．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 24
3．1．1 Tensor（張量）．．．．．．．．．．．．．．．．．．．．．．．．．．．． 24
3．1．2 Variable（變量）．．．．．．．．．．．．．．．．．．．．．．．．．．． 26
3．1．3 Dataset（數據集）．．．．．．．．．．．．．．．．．．．．．．．．．．． 28
3．1．4 nn．Module（模組）．．．．．．．．．．．．．．．．．．．．．．．．．． 29
3．1．5 torch．optim（優化）．．．．．．．．．．．．．．．．．．．．．．．．．． 30
3．1．6 模型的保存和加載．．．．．．．．．．．．．．．．．．．．．．．．．． 31
3．2 綫性模型．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 32
3．2．1 問題介紹．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 32
3．2．2 一維綫性迴歸．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 33
3．2．3 多維綫性迴歸．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 34
3．2．4 一維綫性迴歸的代碼實現．．．．．．．．．．．．．．．．．．．．．． 35
3．2．5 多項式迴歸．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 38
3．3 分類問題．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 42
3．3．1 問題介紹．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 42
3．3．2 Logistic 起源．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 42
3．3．3 Logistic 分布．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 42
3．3．4 二分類的Logistic 迴歸．．．．．．．．．．．．．．．．．．．．．．．． 43
3．3．5 模型的參數估計．．．．．．．．．．．．．．．．．．．．．．．．．．．． 44
3．3．6 Logistic 迴歸的代碼實現．．．．．．．．．．．．．．．．．．．．．．． 45
3．4 簡單的多層全連接前嚮網絡．．．．．．．．．．．．．．．．．．．．．．．．． 49
3．4．1 模擬神經元．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 49
3．4．2 單層神經網絡的分類器．．．．．．．．．．．．．．．．．．．．．．．． 50
3．4．3 激活函數．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 51
3．4．4 神經網絡的結構．．．．．．．．．．．．．．．．．．．．．．．．．．．． 54
3．4．5 模型的錶示能力與容量．．．．．．．．．．．．．．．．．．．．．．．． 55
3．5 深度學習的基石：反嚮傳播算法．．．．．．．．．．．．．．．．．．．．．．． 57
3．5．1 鏈式法則．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 57
3．5．2 反嚮傳播算法．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 58
3．5．3 Sigmoid 函數舉例．．．．．．．．．．．．．．．．．．．．．．．．．．． 58
3．6 各種優化算法的變式．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 59
3．6．1 梯度下降法．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 59
3．6．2 梯度下降法的變式．．．．．．．．．．．．．．．．．．．．．．．．．． 62
3．7 處理數據和訓練模型的技巧．．．．．．．．．．．．．．．．．．．．．．．．． 64
3．7．1 數據預處理．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 64
3．7．2 權重初始化．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 66
3．7．3 防止過擬閤．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 67
3．8 多層全連接神經網絡實現MNIST 手寫數字分類．．．．．．．．．．．．．． 69
3．8．1 簡單的三層全連接神經網絡．．．．．．．．．．．．．．．．．．．．． 70
3．8．2 添加激活函數．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 70
3．8．3 添加批標準化．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 71
3．8．4 訓練網絡．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 71
第4 章捲積神經網絡76
4．1 主要任務及起源．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 76
4．2 捲積神經網絡的原理和結構．．．．．．．．．．．．．．．．．．．．．．．．． 77
4．2．1 捲積層．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 80
4．2．2 池化層．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 84
4．2．3 全連接層．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 85
4．2．4 捲積神經網絡的基本形式．．．．．．．．．．．．．．．．．．．．．． 85
4．3 PyTorch 捲積模塊．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 87
4．3．1 捲積層．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 87
4．3．2 池化層．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 88
4．3．3 提取層結構．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 90
4．3．4 如何提取參數及自定義初始化．．．．．．．．．．．．．．．．．．．． 91
4．4 捲積神經網絡案例分析．．．．．．．．．．．．．．．．．．．．．．．．．．．． 92
4．4．1 LeNet ．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 93
4．4．2 AlexNet ．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 94
4．4．3 VGGNet ．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 95
4．4．4 GoogLeNet ．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 98
4．4．5 ResNet ．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 100
4．5 再實現MNIST 手寫數字分類．．．．．．．．．．．．．．．．．．．．．．．．． 103
4．6 圖像增強的方法．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 105
4．7 實現cifar10 分類．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 107
第5 章循環神經網絡111
5．1 循環神經網絡．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 111
5．1．1 問題介紹．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 112
5．1．2 循環神經網絡的基本結構．．．．．．．．．．．．．．．．．．．．．． 112
5．1．3 存在的問題．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 115
5．2 循環神經網絡的變式：LSTM 與GRU ．．．．．．．．．．．．．．．．．．．． 116
5．2．1 LSTM ．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 116
5．2．2 GRU ．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 119
5．2．3 收斂性問題．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 120
5．3 循環神經網絡的PyTorch 實現．．．．．．．．．．．．．．．．．．．．．．．． 122
5．3．1 PyTorch 的循環網絡模塊．．．．．．．．．．．．．．．．．．．．．．． 122
5．3．2 實例介紹．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 127
5．4 自然語言處理的應用．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 131
5．4．1 詞嵌入．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 131
5．4．2 詞嵌入的PyTorch 實現．．．．．．．．．．．．．．．．．．．．．．．． 133
5．4．3 N Gram 模型．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 133
5．4．4 單詞預測的PyTorch 實現．．．．．．．．．．．．．．．．．．．．．．． 134
5．4．5 詞性判斷．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 136
5．4．6 詞性判斷的PyTorch 實現．．．．．．．．．．．．．．．．．．．．．．． 137
5．5 循環神經網絡的更多應用．．．．．．．．．．．．．．．．．．．．．．．．．．． 140
5．5．1 Many to one ．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 140
5．5．2 Many to Many（shorter）．．．．．．．．．．．．．．．．．．．．．．． 141
5．5．3 Seq2seq ．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 141
5．5．4 CNN+RNN ．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 142
第6 章生成對抗網絡144
6．1 生成模型．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 144
6．1．1 自動編碼器．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 145
6．1．2 變分自動編碼器．．．．．．．．．．．．．．．．．．．．．．．．．．．． 150
6．2 生成對抗網絡．．．．．．．．．