深度學(xué)習(xí)框架PyTorch快速開發(fā)與實(shí)戰(zhàn)

定　價(jià)：￥69.00

作　者：	邢夢(mèng)來，王碩，孫洋洋著
出版社：	電子工業(yè)出版社
叢編項(xiàng)：
標(biāo)　簽：	暫缺

購買這本書可以去

ISBN：	9787121345647	出版時(shí)間：	2018-08-01	包裝：	平裝
開本：	16	頁數(shù)：	232	字?jǐn)?shù)：

內(nèi)容簡(jiǎn)介

　　深度學(xué)習(xí)已經(jīng)成為人工智能炙手可熱的技術(shù)，PyTorch是一個(gè)較新的、容易上手的深度學(xué)習(xí)開源框架，目前已得到廣泛應(yīng)用?！渡疃葘W(xué)習(xí)框架PyTorch快速開發(fā)與實(shí)戰(zhàn)》從PyTorch框架結(jié)構(gòu)出發(fā)，通過案例主要介紹了線性回歸、邏輯回歸、前饋神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)、自編碼模型、以及生成對(duì)抗網(wǎng)絡(luò)。《深度學(xué)習(xí)框架PyTorch快速開發(fā)與實(shí)戰(zhàn)》作為深度學(xué)習(xí)的入門教材，省略了大量的數(shù)學(xué)模型推導(dǎo)，適合深度學(xué)習(xí)初學(xué)者，人工智能領(lǐng)域的從業(yè)者，以及深度學(xué)習(xí)感興趣的人閱讀。

作者簡(jiǎn)介

　　邢夢(mèng)來，擅長(zhǎng)量化分析理論，深入研究多空對(duì)比分析，對(duì)多空趨勢(shì)平衡有獨(dú)特的見解，形成一套多空對(duì)比體系。同時(shí)對(duì)對(duì)交易心理狀況、人工智能與區(qū)塊鏈技術(shù)也有較深的研究。王碩，資深軟件工程師，具有9年的Java企業(yè)應(yīng)用開發(fā)經(jīng)驗(yàn)和4年的教育培訓(xùn)經(jīng)驗(yàn)，曾主持多個(gè)B/S項(xiàng)目開發(fā)，項(xiàng)目經(jīng)驗(yàn)豐富，擅長(zhǎng)Java EE（Struts2、Spring3、Hibernate3）項(xiàng)目開發(fā)、Python（程序GUI、數(shù)據(jù)分析、網(wǎng)絡(luò)爬蟲）項(xiàng)目開發(fā)，是極寬TOP開源團(tuán)隊(duì)核心成員，也是《PyQt5快速開發(fā)與實(shí)戰(zhàn)》一書的作者之一。孫洋洋，《PyQt5快速開發(fā)與實(shí)戰(zhàn)》一書的作者之一，擅長(zhǎng)網(wǎng)絡(luò)爬蟲、機(jī)器學(xué)習(xí)、量化投資與程序GUI開發(fā)設(shè)計(jì)。有多年量化投資實(shí)盤操作經(jīng)歷，現(xiàn)就職于某期貨公司做量化研究員。

圖書目錄

第一部分理論部分
第1章深度學(xué)習(xí)簡(jiǎn)介 2
1.1 深度學(xué)習(xí) 2
1.2 神經(jīng)網(wǎng)絡(luò)的發(fā)展 6
1.3 深度學(xué)習(xí)的應(yīng)用 7
1.4 常用的數(shù)學(xué)知識(shí)和機(jī)器學(xué)習(xí)算法 8
1.5 PyTorch簡(jiǎn)介 11
1.5.1 PyTorch介紹 11
1.5.2 使用PyTorch的公司 15
1.5.3 PyTorch API 16
1.5.4 為什么選擇Python語言 16
1.5.5 Python語言的特點(diǎn) 16
1.6 常用的機(jī)器學(xué)習(xí)、深度學(xué)習(xí)開源框架 17
1.7 其他常用的模塊庫 19
1.8 深度學(xué)習(xí)常用名詞 20
第2章 PyTorch環(huán)境安裝 33
2.1 基于Ubuntu環(huán)境的安裝 33
2.1.1 安裝Anaconda 35
2.1.2 設(shè)置國(guó)內(nèi)鏡像 36
2.2 Conda命令安裝PyTorch 37
2.3 pip命令安裝PyTorch 37
2.4 配置CUDA 38
第3章 PyTorch基礎(chǔ)知識(shí) 40
3.1 張量 40
3.2 數(shù)學(xué)操作 43
3.3 數(shù)理統(tǒng)計(jì) 44
3.4 比較操作 45
第4章簡(jiǎn)單案例入門 47
4.1 線性回歸 47
4.2 邏輯回歸 52
第5章前饋神經(jīng)網(wǎng)絡(luò) 59
5.1 實(shí)現(xiàn)前饋神經(jīng)網(wǎng)絡(luò) 61
5.2 數(shù)據(jù)集 68
5.3 卷積層 72
5.4 Functional函數(shù) 75
5.5 優(yōu)化算法 82
5.6 自動(dòng)求導(dǎo)機(jī)制 85
5.7 保存和加載模型 87
5.8 GPU加速運(yùn)算 87
第6章 PyTorch可視化工具 89
6.1 Visdom介紹 89
6.2 Visdom基本概念 90
6.2.1 Panes（窗格） 90
6.2.2 Environments（環(huán)境） 90
6.2.3 State（狀態(tài)） 91
6.3 安裝Visdom 91
6.4 可視化接口 91
6.4.1 Python函數(shù)屬性提取技巧 92
6.4.2 vis.text 93
6.4.3 vis.image 93
6.4.4 vis.scatter 94
6.4.5 vis.line 95
6.4.6 vis.stem 97
6.4.7 vis.heatmap 97
6.4.8 vis.bar 99
6.4.9 vis.histogram 101
6.4.10 vis.boxplot 102
6.4.11 vis.surf 103
6.4.12 vis.contour 104
6.4.13 vis.mesh 106
6.4.14 vis.svg 107
第二部分實(shí)戰(zhàn)部分
第7章卷積神經(jīng)網(wǎng)絡(luò) 110
7.1 卷積層 112
7.2 池化層 114
7.3 經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò) 115
7.3.1 LeNet-5神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu) 115
7.3.2 ImageNet-2010網(wǎng)絡(luò)結(jié)構(gòu) 117
7.3.3 VGGNet網(wǎng)絡(luò)結(jié)構(gòu) 122
7.3.4 GoodLeNet網(wǎng)絡(luò)結(jié)構(gòu) 124
7.3.5 ResNet網(wǎng)絡(luò)結(jié)構(gòu) 126
7.4 卷積神經(jīng)網(wǎng)絡(luò)案例 129
7.5 深度殘差模型案例 138
第8章循環(huán)神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介 145
8.1 循環(huán)神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu) 146
8.2 不同類型的RNN 147
8.3 LSTM結(jié)構(gòu)具體解析 151
8.4 LSTM的變體 153
8.5 循環(huán)神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn) 156
8.5.1 循環(huán)神經(jīng)網(wǎng)絡(luò)案例 156
8.5.2 雙向RNN案例 160
第9章自編碼模型 164
第10章對(duì)抗生成網(wǎng)絡(luò) 172
10.1 DCGAN原理 175
10.2 GAN對(duì)抗生成網(wǎng)絡(luò)實(shí)例 180
第11章 Seq2seq自然語言處理 186
11.1 Seq2seq自然語言處理簡(jiǎn)介 186
11.2 Seq2seq自然語言處理案例 188
第12章利用PyTorch實(shí)現(xiàn)量化交易 204
12.1 線性回歸預(yù)測(cè)股價(jià) 205
12.2 前饋神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)股價(jià) 209
12.3 遞歸神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)股價(jià)