[套装书]PyTorch深度学习实战+PyTorch机器学习从入门到实战（2册）

作者
谢林·托马斯 苏丹舒·帕西 校宝在线 孙琳 蒋阳波 汪建成 项斌
丛书名
智能系统与技术丛书
出版社
机械工业出版社
ISBN
9782007071416
简要
简介
内容简介书籍计算机书籍 ---------------------------PyTorch深度学习实战--------------------------- 第1章介绍了 PyTorch 进行深度学习的方法以及 PyTorch 的基本 API；第2章通过构建一个简单神经网络，演示如何将神经网络、优化器和参数更新联接在一起，构建简单深度学习模型；第3章深入探讨深度学习工作流实现以及帮助构建工作流的 PyTorch 生态系统；第4章介绍基于CNN的应用；第5章介绍主要RNN组件；第6章简要地论述了生成网络的历史，然后解释了不同种类的生成网络；第7章介绍了强化学习；第8章探讨不同的生产部署选项。 ---------------------------PyTorch机器学习从入门到实战--------------------------- 近年来，基于深度学习的人工智能掀起了一股学习的热潮。本书是使用PyTorch深度学习框架的入门图书，从深度学习原理入手，由浅入深，阐述深度学习中神经网络、深度神经网络、卷积神经网络、自编码器、循环神经网络等内容，同时穿插学习PyTorch框架的各个知识点和基于知识点的实例。最后，综合运用PyTorch和深度学习知识来解决实践中的具体问题，比如图像识别、文本分类和命令词识别等。可以说，本书是深度学习和PyTorch的入门教程，同时也引领读者进入机遇和挑战共存的人工智能领域。
目录



---------------------------PyTorch深度学习实战---------------------------


译者序
前言
作者简介
审校者简介
第1章　深度学习回顾和PyTorch简介1
1.1　PyTorch的历史2
1.2　PyTorch是什么3
1.2.1　安装PyTorch4
1.2.2　PyTorch流行的原因5
1.3　使用计算图7
1.3.1　使用静态图8
1.3.2　使用动态图11
1.4　探索深度学习13
1.5　开始编写代码22
1.5.1　学习基本操作22
1.5.2　PyTorch的内部逻辑28
1.6　总结31
参考资料32
第2章　一个简单的神经网络33
2.1　问题概述33
2.2　数据集34
2.3　新手模型38
2.4　PyTorch方式49
2.4.1　高阶API50
2.4.2　functional模块55
2.4.3　损失函数57
2.4.4　优化器57
2.5　总结59
参考资料59
第3章　深度学习工作流60
3.1　构思和规划61
3.2　设计和实验62
3.2.1　数据集和DataLoader类62
3.2.2　实用程序包65
3.3　模型实现75
3.4　训练和验证79
3.5　总结86
参考资料 86
第4章　计算机视觉87
4.1　CNN简介87
4.2　将PyTorch应用于计算机视觉90
4.2.1　简单CNN90
4.2.2　语义分割99
4.3　总结112
参考资料112
第5章　序列数据处理114
5.1　循环神经网络简介114
5.2　问题概述116
5.3　实现方法116
5.3.1　简单RNN117
5.3.2　高级RNN130
5.3.3　递归神经网络137
5.4　总结141
参考资料142
第6章　生成网络143
6.1　方法定义144
6.2　自回归模型145
6.2.1　PixelCNN147
6.2.2　WaveNet153
6.3　GAN161
6.3.1　简单GAN161
6.3.2　CycleGAN168
6.4　总结173
参考资料173
第7章　强化学习175
7.1　问题定义177
7.2　回合制任务与连续任务178
7.3　累积折扣奖励179
7.4　马尔可夫决策过程180
7.5　解决方法182
7.5.1　策略和价值函数182
7.5.2　贝尔曼方程183
7.5.3　深度Q学习184
7.5.4　经验回放186
7.5.5　Gym186
7.6　总结194
参考资料194
第8章　将PyTorch应用到生产195
8.1　使用Flask提供服务196
8.2　ONNX202
8.3　使用TorchScript提高效率215
8.4　探索RedisAI218
8.5　总结222
参考资料223



---------------------------PyTorch机器学习从入门到实战---------------------------


序
前言
第1章 深度学习介绍 1
1.1 人工智能、机器学习与深度学习 2
1.2 深度学习工具介绍 5
1.3 PyTorch介绍 7
1.4 你能从本书中学到什么 9
第2章 PyTorch安装和快速上手 11
2.1 PyTorch安装 12
2.1.1 Anaconda安装 12
2.1.2 PyTorch安装 19
2.2 Jupyter Notebook使用 19
2.3 NumPy基础知识 22
2.3.1 基本概念 23
2.3.2 创建数组 24
2.3.3 基本运算 26
2.3.4 索引、切片和迭代 27
2.3.5 数组赋值 32
2.3.6 更改数组的形状 33
2.3.7 组合、拆分数组 34
2.3.8 广播 35
2.4 PyTorch基础知识 37
2.4.1 Tensor简介 37
2.4.2 Variable简介 38
2.4.3 CUDA简介 38
2.4.4 模型的保存与加载 39
2.4.5 第一个PyTorch程序 40
第3章 神经网络 43
3.1 神经元与神经网络 44
3.2 激活函数 46
3.2.1 Sigmoid 47
3.2.2 Tanh 48
3.2.3 Hard Tanh 49
3.2.4 ReLU 50
3.2.5 ReLU的扩展 51
3.2.6 Softmax 54
3.2.7 LogSoftmax 55
3.3 前向算法 55
3.4 损失函数 57
3.4.1 损失函数的概念 57
3.4.2 回归问题 57
3.4.3 分类问题 58
3.4.4 PyTorch中常用的损失函数 59
3.5 反向传播算法 62
3.6 数据的准备 65
3.7 PyTorch实例：单层神经网络实现 66
第4章 深度神经网络及训练 70
4.1 深度神经网络 72
4.1.1 神经网络为何难以训练 72
4.1.2 改进策略 74
4.2 梯度下降 75
4.2.1 随机梯度下降 75
4.2.2 Mini-Batch梯度下降 75
4.3 优化器 77
4.3.1 SGD 77
4.3.2 Momentum 77
4.3.3 AdaGrad 78
4.3.4 RMSProp 79
4.3.5 Adam 80
4.3.6 选择正确的优化算法 81
4.3.7 优化器的使用实例 82
4.4 正则化 85
4.4.1 参数规范惩罚 85
4.4.2 Batch Normalization 86
4.4.3 Dropout 87
4.5 PyTorch实例：深度神经网络实现 89
第5章 卷积神经网络 93
5.1 计算机视觉 95
5.1.1 人类视觉和计算机视觉 95
5.1.2 特征提取 95
5.1.3 数据集 97
5.2 卷积神经网络 100
5.2.1 卷积层 102
5.2.2 池化层 104
5.2.3 经典卷积神经网络 105
5.3 MNIST数据集上卷积神经网络的实现 110
第6章 嵌入与表征学习 114
6.1 PCA 115
6.1.1 PCA原理 115
6.1.2 PCA的PyTorch实现 116
6.2 自编码器 117
6.2.1 自编码器原理 118
6.2.2 PyTorch实例：自编码器实现 118
6.2.3 PyTorch实例：基于自编码器的图形去噪 122
6.3 词嵌入 125
6.3.1 词嵌入原理 125
6.3.2 PyTorch实例：基于词向量的语言模型实现 128
第7章 序列预测模型 132
7.1 序列数据处理 133
7.2 循环神经网络 134
7.3 LSTM和GRU 138
7.4 LSTM在自然语言处理中的应用 142
7.4.1 词性标注 142
7.4.2 情感分析 144
7.5 序列到序列网络 145
7.5.1 序列到序列网络原理 145
7.5.2 注意力机制 146
7.6 PyTorch实例：基于GRU和Attention 的机器翻译 147
7.6.1 公共模块 147
7.6.2 数据处理 147
7.6.3 模型定义 151
7.6.4 训练模块定义 155
7.6.5 训练和模型保存 161
7.6.6 评估过程 162
第8章 PyTorch项目实战 165
8.1 图像识别和迁移学习——猫狗大战 166
8.1.1 迁移学习介绍 166
8.1.2 计算机视觉工具包 166
8.1.3 猫狗大战的PyTorch实现 167
8.2 文本分类 172
8.2.1 文本分类的介绍 173
8.2.2 计算机文本工具包 174
8.2.3 基于CNN的文本分类的PyTorch实现 174
8.3 语音识别系统介绍 182
8.3.1 语音识别介绍 182
8.3.2 命令词识别的PyTorch实现 183



有问题微信扫码联系

推荐

Understand China
桂ICP备20004708号-4