PyTorch深度學(xué)習(xí)

定　價(jià)：￥55.00

作　者：	[印度] 毗濕奴·布拉馬尼亞（Vishnu Subramanian）著，王海玲，劉江峰譯
出版社：	人民郵電出版社
叢編項(xiàng)：
標(biāo)　簽：	暫缺

購(gòu)買這本書可以去

ISBN：	9787115508980	出版時(shí)間：	2019-04-01	包裝：	平裝
開本：	16開	頁(yè)數(shù)：	193	字?jǐn)?shù)：

內(nèi)容簡(jiǎn)介

　　PyTorch是Facebook于2017年初在機(jī)器學(xué)習(xí)和科學(xué)計(jì)算工具Torch的基礎(chǔ)上，針對(duì)Python語(yǔ)言發(fā)布的一個(gè)全新的機(jī)器學(xué)習(xí)工具包，一經(jīng)推出便受到了業(yè)界的廣泛關(guān)注和討論，目前已經(jīng)成為機(jī)器學(xué)習(xí)從業(yè)人員的研發(fā)工具。《PyTorch深度學(xué)習(xí)》是使用PyTorch構(gòu)建神經(jīng)網(wǎng)絡(luò)模型的實(shí)用指南，內(nèi)容分為9章，包括PyTorch與深度學(xué)習(xí)的基礎(chǔ)知識(shí)、神經(jīng)網(wǎng)絡(luò)的構(gòu)成、神經(jīng)網(wǎng)絡(luò)的知識(shí)、機(jī)器學(xué)習(xí)基礎(chǔ)知識(shí)、深度學(xué)習(xí)在計(jì)算機(jī)視覺中的應(yīng)用、深度學(xué)習(xí)在序列數(shù)據(jù)和文本中的應(yīng)用、生成網(wǎng)絡(luò)、現(xiàn)代網(wǎng)絡(luò)架構(gòu)，以及PyTorch與深度學(xué)習(xí)的未來走向?！禤yTorch深度學(xué)習(xí)》適合對(duì)深度學(xué)習(xí)領(lǐng)域感興趣且希望一探PyTorch的業(yè)內(nèi)人員閱讀；具備其他深度學(xué)習(xí)框架使用經(jīng)驗(yàn)的讀者，也可以通過本書掌握PyTorch的用法。

作者簡(jiǎn)介

　　Vishnu Subramanian在領(lǐng)導(dǎo)、設(shè)計(jì)和實(shí)施大數(shù)據(jù)分析項(xiàng)目（人工智能、機(jī)器學(xué)習(xí)和深度學(xué)習(xí)）方面富有經(jīng)驗(yàn)。擅長(zhǎng)機(jī)器學(xué)習(xí)、深度學(xué)習(xí)、分布式機(jī)器學(xué)習(xí)和可視化等。在零售、金融和旅行等行業(yè)頗具經(jīng)驗(yàn)，還善于理解和協(xié)調(diào)企業(yè)、人工智能和工程團(tuán)隊(duì)之間的關(guān)系。

圖書目錄

第 1章　PyTorch與深度學(xué)習(xí) 1
1．1　人工智能　1
1．2　機(jī)器學(xué)習(xí)　3
1．3　深度學(xué)習(xí)　4
1．3．1　深度學(xué)習(xí)的應(yīng)用　4
1．3．2　深度學(xué)習(xí)的浮夸宣傳　6
1．3．3　深度學(xué)習(xí)發(fā)展史　6
1．3．4　為何是現(xiàn)在　7
1．3．5　硬件可用性　7
1．3．6　數(shù)據(jù)和算法　8
1．3．7　深度學(xué)習(xí)框架　9
1．4　小結(jié)　10
第　2章神經(jīng)網(wǎng)絡(luò)的構(gòu)成　11
2．1　安裝PyTorch　11
2．2　實(shí)現(xiàn)第一個(gè)神經(jīng)網(wǎng)絡(luò)　12
2．2．1　準(zhǔn)備數(shù)據(jù)　13
2．2．2　為神經(jīng)網(wǎng)絡(luò)創(chuàng)建數(shù)據(jù)　20
2．2．3　加載數(shù)據(jù)　24
2．3　小結(jié)　25
第3章　深入了解神經(jīng)網(wǎng)絡(luò)　26
3．1　詳解神經(jīng)網(wǎng)絡(luò)的組成部分　26
3．1．1　層—神經(jīng)網(wǎng)絡(luò)的基本組成　27
3．1．2　非線性激活函數(shù)　29
3．1．3　PyTorch中的非線性激活函數(shù)　32
3．1．4　使用深度學(xué)習(xí)進(jìn)行圖像分類　36
3．2　小結(jié)　46
第4章　機(jī)器學(xué)習(xí)基礎(chǔ)　47
4．1　三類機(jī)器學(xué)習(xí)問題　47
4．1．1　有監(jiān)督學(xué)習(xí)　48
4．1．2　無監(jiān)督學(xué)習(xí)　48
4．1．3　強(qiáng)化學(xué)習(xí)　48
4．2　機(jī)器學(xué)習(xí)術(shù)語(yǔ)　49
4．3　評(píng)估機(jī)器學(xué)習(xí)模型　50
4．4　數(shù)據(jù)預(yù)處理與特征工程　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　特征工程　55
4．5　過擬合與欠擬合　56
4．5．1　獲取更多數(shù)據(jù)　56
4．5．2　縮小網(wǎng)絡(luò)規(guī)?！?7
4．5．3　應(yīng)用權(quán)重正則化　58
4．5．4　應(yīng)用dropout　58
4．5．5　欠擬合　60
4．6　機(jī)器學(xué)習(xí)項(xiàng)目的工作流　60
4．6．1　問題定義與數(shù)據(jù)集創(chuàng)建　60
4．6．2　成功的衡量標(biāo)準(zhǔn)　61
4．6．3　評(píng)估協(xié)議　61
4．6．4　準(zhǔn)備數(shù)據(jù)　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(yīng)用正則化　63
4．6．8　學(xué)習(xí)率選擇策略　64
4．7　小結(jié)　65
第5章　深度學(xué)習(xí)之計(jì)算機(jī)視覺　66
5．1　神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介　66
5．2　從零開始構(gòu)建CNN模型　69
5．2．1　Conv2d　71
5．2．2　池化　74
5．2．3　非線性激活—ReLU　75
5．2．4　視圖　76
5．2．5　訓(xùn)練模型　77
5．2．6　狗貓分類問題—從零開始構(gòu)建CNN　80
5．2．7　利用遷移學(xué)習(xí)對(duì)狗貓分類　82
5．3　創(chuàng)建和探索VGG16模型　84
5．3．1　凍結(jié)層　85
5．3．2　微調(diào)VGG16模型　85
5．3．3　訓(xùn)練VGG16模型　86
5．4　計(jì)算預(yù)卷積特征　88
5．5　理解CNN模型如何學(xué)習(xí)　91
5．6　CNN層的可視化權(quán)重　94
5．7　小結(jié)　95
第6章　序列數(shù)據(jù)和文本的深度學(xué)習(xí)　96
6．1　使用文本數(shù)據(jù)　96
6．1．1　分詞　98
6．1．2　向量化　100
6．2　通過構(gòu)建情感分類器訓(xùn)練詞向量　104
6．2．1　下載IMDB數(shù)據(jù)并對(duì)文本分詞　104
6．2．2　構(gòu)建詞表　106
6．2．3　生成向量的批數(shù)據(jù)　107
6．2．4　使用詞向量創(chuàng)建網(wǎng)絡(luò)模型　108
6．2．5　訓(xùn)練模型　109
6．3　使用預(yù)訓(xùn)練的詞向量　110
6．3．1　下載詞向量　111
6．3．2　在模型中加載詞向量　112
6．3．3　凍結(jié)embedding層權(quán)重　113
6．4　遞歸神經(jīng)網(wǎng)絡(luò)（RNN）　113
6．5　LSTM　117
6．5．1　長(zhǎng)期依賴　117
6．5．2　LSTM網(wǎng)絡(luò)　117
6．6　基于序列數(shù)據(jù)的卷積網(wǎng)絡(luò)　123
6．7　小結(jié)　125
第7章　生成網(wǎng)絡(luò)　126
7．1　神經(jīng)風(fēng)格遷移　126
7．1．1　加載數(shù)據(jù)　129
7．1．2　創(chuàng)建VGG模型　130
7．1．3　內(nèi)容損失　131
7．1．4　風(fēng)格損失　131
7．1．5　提取損失　133
7．1．6　為網(wǎng)絡(luò)層創(chuàng)建損失函數(shù)　136
7．1．7　創(chuàng)建優(yōu)化器　136
7．1．8　訓(xùn)練　137
7．2　生成對(duì)抗網(wǎng)絡(luò)（GAN）　138
7．3　深度卷機(jī)生成對(duì)抗網(wǎng)絡(luò)　139
7．3．1　定義生成網(wǎng)絡(luò)　140
7．3．2　定義判別網(wǎng)絡(luò)　144
7．3．3　定義損失函數(shù)和優(yōu)化器　145
7．3．4　訓(xùn)練判別網(wǎng)絡(luò)　145
7．3．5　訓(xùn)練生成網(wǎng)絡(luò)　146
7．3．6　訓(xùn)練整個(gè)網(wǎng)絡(luò)　147
7．3．7　檢驗(yàn)生成的圖片　148
7．4　語(yǔ)言建?！?50
7．4．1　準(zhǔn)備數(shù)據(jù)　151
7．4．2　生成批數(shù)據(jù)　152
7．4．3　定義基于LSTM的模型　153
7．4．4　定義訓(xùn)練和評(píng)估函數(shù)　155
7．4．5　訓(xùn)練模型　157
7．5　小結(jié)　159
第8章　現(xiàn)代網(wǎng)絡(luò)架構(gòu)　160
8．1　現(xiàn)代網(wǎng)絡(luò)架構(gòu)　160
8．1．1　ResNet　160
8．1．2　Inception　168
8．2　稠密連接卷積網(wǎng)絡(luò)（DenseNet）　175
8．2．1　DenseBlock　175
8．2．2　DenseLayer　176
8．3　模型集成　180
8．3．1　創(chuàng)建模型　181
8．3．2　提取圖片特征　182
8．3．3　創(chuàng)建自定義數(shù)據(jù)集和數(shù)據(jù)加載器　183
8．3．4　創(chuàng)建集成模型　184
8．3．5　訓(xùn)練和驗(yàn)證模型　185
8．4　encoder-decoder架構(gòu)　186
8．4．1　編碼器　188
8．4．2　解碼器　188
8．5　小結(jié)　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(chuàng)意應(yīng)用　190
9．3．1　對(duì)象檢測(cè)　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．a(chǎn)i—神經(jīng)網(wǎng)絡(luò)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(jié)　193