本書以PyTorch深度學習的常用技術與真實案例相結合的方式，深入淺出地介紹使用PyTorch實現(xiàn)深度學習應用的重要內容。本書共7章，內容包括深度學習概述、PyTorch深度學習通用流程、PyTorch深度學習基礎、手寫漢字識別、文本生成、基于CycleGAN的圖像風格轉換、基于TipDM大數(shù)據(jù)挖掘建模平臺實現(xiàn)文本生成等。本書大部分章包含實訓和課后習題，希望通過練習和操作實踐，幫助讀者鞏固所學的內
電子書
內容簡介
本書以深度學習框架PyTorch為基礎，介紹機器學習的基礎知識與常用方法，全面細致地提供了基本機器學習操作的原理和在深度學習框架下的實踐步驟。全書共16章，主要分別介紹了深度學習基礎知識、深度學習框架及其對比，機器學習基礎知識，深度學習框架基礎，Logistic回歸，多層感知器，計算機視覺，自然語言處理以及8個實戰(zhàn)案例。本書將理論與實踐緊密結合，相信能為讀者提供有益的學習指導。
??本書適合Python深度學習初學者、機器學習算法分析從業(yè)人員以及高等院校計算機科學、軟件工程等相關專業(yè)的師生閱讀。
章節(jié)目錄
- 第1 章深度學習簡介
- 1.1 計算機視覺
- 1.1.1 定義
- 1.1.2 基本任務
- 1.1.3 傳統(tǒng)方法
- 1.1.4 仿生學與深度學習
- 1.1.5 現(xiàn)代深度學習
- 1.2 自然語言處理
- 1.2.1 自然語言處理的基本問題
- 1.2.2 傳統(tǒng)方法與神經網絡方法的比較
- 1.2.3 發(fā)展趨勢
- 1.3 強化學習
- 1.3.1 什么是強化學習
- 1.3.2 強化學習算法簡介
- 1.3.3 強化學習的應用
- 1.4 本章小結
- 第2 章深度學習框架
- 2.1 Caffe
- 2.1.1 什么是Caffe
- 2.1.2 Caffe 的特點
- 2.1.3 Caffe 概述
- 2.2 TensorFlow
- 2.2.1 什么是TensorFlow
- 2.2.2 數(shù)據(jù)流圖
- 2.2.3 TensorFlow 的特點
- 2.2.4 TensorFlow 概述
- 2.3 PyTorch
- 2.3.1 什么是PyTorch
- 2.3.2 PyTorch 的特點
- 2.3.3 PyTorch 概述
- 2.4 三者的比較
- 2.5 本章小結
- 第3 章機器學習基礎知識
- 3.1 模型評估與模型參數(shù)選擇
- 3.1.1 驗證
- 3.1.2 正則化
- 3.2 監(jiān)督學習與非監(jiān)督學習
- 3.2.1 監(jiān)督學習
- 3.2.2 非監(jiān)督學習
- 3.3 本章小結
- 第4 章PyTorch 深度學習基礎
- 4.1 Tensor 對象及其運算
- 4.2 Tensor 的索引和切片
- 4.3 Tensor 的變換、拼接和拆分
- 4.4 PyTorch 的Reduction 操作
- 4.5 PyTorch 的自動微分
- 4.6 本章小結
- 第5 章Logistic 回歸
- 5.1 線性回歸簡介
- 5.2 Logistic 回歸簡介
- 5.3 用PyTorch 實現(xiàn)Logistic 回歸
- 5.3.1 數(shù)據(jù)準備
- 5.3.2 線性方程
- 5.3.3 激活函數(shù)
- 5.3.4 損失函數(shù)
- 5.3.5 優(yōu)化算法
- 5.3.6 模型可視化
- 5.4 本章小結
- 第6 章神經網絡基礎
- 6.1 基礎概念
- 6.2 感知器
- 6.2.1 單層感知器
- 6.2.2 多層感知器
- 6.3 BP 神經網絡
- 6.3.1 梯度下降
- 6.3.2 反向傳播
- 6.4 Dropout 正則化
- 6.5 Batch Normalization
- 6.5.1 Batch Normalization 的實現(xiàn)方式
- 6.5.2 Batch Normalization 的使用方法
- 6.6 本章小結
- 第7 章卷積神經網絡與計算機視覺
- 7.1 卷積神經網絡的基本思想
- 7.2 卷積操作
- 7.3 池化層
- 7.4 卷積神經網絡
- 7.5 經典網絡結構
- 7.5.1 VGG 網絡
- 7.5.2 InceptionNet
- 7.5.3 ResNet
- 7.6 用PyTorch 進行手寫數(shù)字識別
- 7.7 本章小結
- 第8 章神經網絡與自然語言處理
- 8.1 語言建模
- 8.2 基于多層感知器的架構
- 8.3 基于循環(huán)神經網絡的架構
- 8.3.1 循環(huán)單元
- 8.3.2 通過時間反向傳播
- 8.3.3 帶有門限的循環(huán)單元
- 8.3.4 循環(huán)神經網絡語言模型
- 8.3.5 神經機器翻譯
- 8.4 基于卷積神經網絡的架構
- 8.5 基于Transformer 的架構
- 8.5.1 多頭注意力
- 8.5.2 非參位置編碼
- 8.5.3 編碼器單元與解碼器單元
- 8.6 表示學習與預訓練技術
- 8.6.1 詞向量
- 8.6.2 加入上下文信息的特征表示
- 8.6.3 網絡預訓練
- 8.7 本章小結
- 第9 章實戰(zhàn)：使用PyTorch 實現(xiàn)基于卷積神經網絡模型的圖像分類與數(shù)據(jù)可視化
- 9.1 卷積神經網絡模型
- 9.1.1 卷積神經網絡模型的發(fā)展
- 9.1.2 Tensorboard
- 9.2 卷積神經網絡模型與Tensorboard 實戰(zhàn)
- 9.2.1 FashionMNIST 數(shù)據(jù)集
- 9.2.2 數(shù)據(jù)準備與模型搭建
- 9.2.3 Tensorboard 的使用
- 9.3 本章小結
- 第10 章實戰(zhàn)：使用PyTorch 實現(xiàn)基于textCNN 的文本分類
- 10.1 文本分類常用的Python 工具庫
- 10.2 數(shù)據(jù)集
- 10.3 算法模型
- 10.3.1 模型介紹
- 10.3.2 模型實現(xiàn)
- 10.3.3 模型結果
- 10.4 本章小結
- 第11 章實戰(zhàn)：使用PyTorch 搭建卷積神經網絡進行音頻轉化
- 11.1 數(shù)據(jù)集準備
- 11.2 數(shù)據(jù)預處理
- 11.2.1 數(shù)據(jù)集讀取
- 11.2.2 音頻文件分段
- 11.2.3 CQT
- 11.3 模型構建
- 11.3.1 激活函數(shù)
- 11.3.2 模型分析
- 11.3.3 ReLU 激活函數(shù)的定義和實現(xiàn)
- 11.3.4 flatten 函數(shù)平整層處理
- 11.3.5 sigmoid 激活函數(shù)
- 11.4 模型訓練與結果評估
- 11.4.1 adam 優(yōu)化器
- 11.4.2 學習率策略定義
- 11.4.3 準確度驗證
- 11.4.4 訓練
- 11.5 本章小結
- 第12 章實戰(zhàn)：使用PyTorch 實現(xiàn)YOLOv3 的驗證碼識別
- 12.1 YOLOv3
- 12.1.1 YOLOv3 概述
- 12.1.2 YOLOv3 與PyTorch
- 12.1.3 YOLOv3 案例的意義
- 12.2 目標檢測案例：驗證碼中的簡單文字識別
- 12.2.1 YOLOv3 的安裝和文檔
- 12.2.2 訓練集的獲取和數(shù)據(jù)標注
- 12.2.3 模型訓練
- 12.2.4 模型的測試與預覽
- 12.3 YOLO 的其他拓展
- 12.4 本章小結
- 第13 章實戰(zhàn)：使用PyTorch 實現(xiàn)基于預訓練模型的文本情感分析
- 13.1 模型介紹
- 13.1.1 預訓練模型
- 13.1.2 BERT
- 13.2 情感分類介紹
- 13.2.1 文本情感分析
- 13.2.2 BERT 情感分析原理簡析
- 13.3 環(huán)境搭建
- 13.3.1 環(huán)境選擇
- 13.3.2 Conda 簡介
- 13.3.3 Huggingface-Transformer 簡介
- 13.3.4 Huggingface-Transformer 下載
- 13.4 數(shù)據(jù)集獲取
- 13.5 模型微調
- 13.6 效果測評
- 13.7 本章小結
- 第14 章實戰(zhàn)：用PyTorch 進行視頻處理
- 14.1 數(shù)據(jù)準備
- 14.2 數(shù)據(jù)預處理
- 14.2.1 數(shù)據(jù)集的讀取
- 14.2.2 視頻關鍵幀的提取
- 14.3 模型構建
- 14.3.1 ResNet-18 提取關鍵幀的特征
- 14.3.2 L2 正則化關鍵幀特征
- 14.3.3 視頻相似度匹配
- 14.3.4 幀級相似度匹配
- 14.4 模型訓練與結果評估
- 14.4.1 訓練函數(shù)的實現(xiàn)
- 14.4.2 訓練結果提交
- 14.5 本章小結
- 第15 章實戰(zhàn)：使用PyTorch 在跨域數(shù)據(jù)集上進行圖像分類
- 15.1 遷移學習
- 15.2 跨域數(shù)據(jù)集
- 15.3 ResNet-50
- 15.4 案例分析
- 15.4.1 數(shù)據(jù)預處理
- 15.4.2 讀取數(shù)據(jù)
- 15.4.3 訓練
- 15.5 本章小結
- 第16 章實戰(zhàn)：使用PyTorch 實現(xiàn)基于BERT 的自動新聞文本分類
- 16.1 文本分類概述
- 16.2 BERT 簡介
- 16.3 數(shù)據(jù)預處理
- 16.4 模型實現(xiàn)
- 16.5 本章小結
- 附錄A PyTorch 環(huán)境搭建
- A.1 Linux 平臺下PyTorch 環(huán)境搭建
- A.2 Windows 平臺下PyTorch 環(huán)境搭建
- 附錄B深度學習的數(shù)學基礎
- B.1 線性代數(shù)
- B.2 概率論
展開全部
Python深度學習實戰(zhàn)——基于Pytorch是2021年由人民郵電出版社出版,作者主編。
溫馨提示：
1.本電子書已獲得正版授權，由出版社通過知傳鏈發(fā)行。
2.該電子書為虛擬物品，付費之后概不接收任何理由退款。電子書內容僅支持在線閱讀，不支持下載。
3.您在本站購買的閱讀使用權僅限于您本人閱讀使用，您不得/不能給任何第三方使用，由此造成的一切相關后果本平臺保留向您追償索賠的權利！版權所有，后果自負！
得書感謝您對《Python深度學習實戰(zhàn)——基于Pytorch》關注和支持，如本書內容有不良信息或侵權等情形的，請聯(lián)系本網站。
電子書
電子書
本書基于Python以及兩個深度學習框架Keras與TensorFlow，講述深度學習在實際項目中的應用。本書共10章，首先介紹線性回歸模型、邏輯回歸模型、Softmax多分類器，然后講述全連接神經網絡、神經網絡模型的優(yōu)化、卷積神經網絡、循環(huán)神經網絡，最后討論自編碼模型、對抗生成網絡、深度強化學習。
電子書
《Python深度學習》以深度學習框架為基礎，介紹機器學習的基礎知識與常用方法，全面細致地提供了機器學習操作的原理及其在深度學習框架下的實踐步驟。全書共16章，分別介紹了深度學習基礎知識、深度學習框架及其對比、機器學習基礎知識、深度學習框架（以PyTorch為例）基礎、Logistic回歸、多層感知器、卷積神經網絡與計算機視覺、神經網絡與自然語言處理以及8個實戰(zhàn)案例。本書將理論與實踐緊密結合，相信
電子書
機器學習是人工智能領域一個極其重要的研究方向，而深度學習則是機器學習中一個非常接近AI的分支，其思路在于建立進行分析學習的神經網絡，模仿人腦感知與組織的方式，根據(jù)輸入數(shù)據(jù)做出決策。深度學習在快速的發(fā)展過程中，不斷有與其相關的產品推向市場，顯然，深度學習的應用將會日趨廣泛?！禤ython深度學習：邏輯、算法與編程實戰(zhàn)》是關于深度學習的理論、算法、應用的實戰(zhàn)教程，內容涵蓋深度學習的語言、學習環(huán)境、典型
電子書
本書是《動手學深度學習》的重磅升級版本，選用經典的PyTorch深度學習框架，旨在向讀者交付更為便捷的有關深度學習的交互式學習體驗。本書重新修訂《動手學深度學習》的所有內容，并針對技術的發(fā)展，新增注意力機制、預訓練等內容。本書包含15章，第一部分介紹深度學習的基礎知識和預備知識，并由線性模型引出最簡單的神經網絡——多層感知機；第二部分闡述深度學習計算的關鍵組件、卷積神經網絡、循環(huán)神經網絡、注意力機
電子書
本書基于Python語言，介紹了數(shù)據(jù)分析、機器學習、深度學習等內容，涉及統(tǒng)計學基礎、Python基礎、Python面向對象入門、在Python中操作MySQL、Pandas、Matplotlib、人工智能、Scikit-learn、神經網絡等。書中包括大量代碼和綜合練習，以及豐富的實戰(zhàn)案例。
電子書
本書分為三個部分。第一部分是原理篇，實現(xiàn)了MatrixSlow框架的核心基礎設施，并基于此講解了機器學習與深度學習的概念和原理。第二部分是模型篇，介紹了多種具有代表性的模型，包括邏輯回歸、多層全連接神經網絡、因子分解機、Wide&Deep、DeepFM、循環(huán)神經網絡以及卷積神經網絡，這部分除了著重介紹這些模型的原理、結構以及它們之間的聯(lián)系外，還用MatrixSlow框架搭建并訓練它們以解決實際問題
電子書
本書使用Python的機器學習算法庫scikit-learn講解機器學習重要算法的應用，內容包括機器學習認知、數(shù)據(jù)預處理、KNN算法、線性回歸算法、邏輯回歸算法、樸素貝葉斯算法、決策樹與隨機森林算法、支持向量機、k-mcans算法、神經網絡、模型評估與優(yōu)化。本書使用通俗易懂的語言、豐富的圖表和大量的案例對機器學習的重要算法進行講解，提供一條從實踐出發(fā)掌握機器學習知識的途徑，讀者即使沒有很扎實的數(shù)學
