本書以PyTorch深度學(xué)習(xí)的常用技術(shù)與真實案例相結(jié)合的方式，深入淺出地介紹使用PyTorch實現(xiàn)深度學(xué)習(xí)應(yīng)用的重要內(nèi)容。本書共7章，內(nèi)容包括深度學(xué)習(xí)概述、PyTorch深度學(xué)習(xí)通用流程、PyTorch深度學(xué)習(xí)基礎(chǔ)、手寫漢字識別、文本生成、基于CycleGAN的圖像風(fēng)格轉(zhuǎn)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(xùn)和課后習(xí)題，希望通過練習(xí)和操作實踐，幫助讀者鞏固所學(xué)的內(nèi)
電子書
內(nèi)容簡介
本書以深度學(xué)習(xí)框架PyTorch為基礎(chǔ)，介紹機器學(xué)習(xí)的基礎(chǔ)知識與常用方法，全面細致地提供了基本機器學(xué)習(xí)操作的原理和在深度學(xué)習(xí)框架下的實踐步驟。全書共16章，主要分別介紹了深度學(xué)習(xí)基礎(chǔ)知識、深度學(xué)習(xí)框架及其對比，機器學(xué)習(xí)基礎(chǔ)知識，深度學(xué)習(xí)框架基礎(chǔ)，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(jié)合，相信能為讀者提供有益的學(xué)習(xí)指導(dǎo)。
??本書適合Python深度學(xué)習(xí)初學(xué)者、機器學(xué)習(xí)算法分析從業(yè)人員以及高等院校計算機科學(xué)、軟件工程等相關(guān)專業(yè)的師生閱讀。
章節(jié)目錄
- 第1 章深度學(xué)習(xí)簡介
- 1.1 計算機視覺
- 1.1.1 定義
- 1.1.2 基本任務(wù)
- 1.1.3 傳統(tǒng)方法
- 1.1.4 仿生學(xué)與深度學(xué)習(xí)
- 1.1.5 現(xiàn)代深度學(xué)習(xí)
- 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(jīng)網(wǎng)絡(luò)方法的比較
- 1.2.3 發(fā)展趨勢
- 1.3 強化學(xué)習(xí)
- 1.3.1 什么是強化學(xué)習(xí)
- 1.3.2 強化學(xué)習(xí)算法簡介
- 1.3.3 強化學(xué)習(xí)的應(yīng)用
- 1.4 本章小結(jié)
- 第2 章深度學(xué)習(xí)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(jié)
- 第3 章機器學(xué)習(xí)基礎(chǔ)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(xué)習(xí)與非監(jiān)督學(xué)習(xí)
- 3.2.1 監(jiān)督學(xué)習(xí)
- 3.2.2 非監(jiān)督學(xué)習(xí)
- 3.3 本章小結(jié)
- 第4 章PyTorch 深度學(xué)習(xí)基礎(chǔ)
- 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(jié)
- 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(zhǔn)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(jié)
- 第6 章神經(jīng)網(wǎng)絡(luò)基礎(chǔ)
- 6.1 基礎(chǔ)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(jīng)網(wǎng)絡(luò)
- 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(jié)
- 第7 章卷積神經(jīng)網(wǎng)絡(luò)與計算機視覺
- 7.1 卷積神經(jīng)網(wǎng)絡(luò)的基本思想
- 7.2 卷積操作
- 7.3 池化層
- 7.4 卷積神經(jīng)網(wǎng)絡(luò)
- 7.5 經(jīng)典網(wǎng)絡(luò)結(jié)構(gòu)
- 7.5.1 VGG 網(wǎng)絡(luò)
- 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(jié)
- 第8 章神經(jīng)網(wǎng)絡(luò)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(gòu)
- 8.3 基于循環(huán)神經(jīng)網(wǎng)絡(luò)的架構(gòu)
- 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(jīng)網(wǎng)絡(luò)語言模型
- 8.3.5 神經(jīng)機器翻譯
- 8.4 基于卷積神經(jīng)網(wǎng)絡(luò)的架構(gòu)
- 8.5 基于Transformer 的架構(gòu)
- 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(xué)習(xí)與預(yù)訓(xùn)練技術(shù)
- 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(wǎng)絡(luò)預(yù)訓(xùn)練
- 8.7 本章小結(jié)
- 第9 章實戰(zhàn)：使用PyTorch 實現(xiàn)基于卷積神經(jīng)網(wǎng)絡(luò)模型的圖像分類與數(shù)據(jù)可視化
- 9.1 卷積神經(jīng)網(wǎng)絡(luò)模型
- 9.1.1 卷積神經(jīng)網(wǎng)絡(luò)模型的發(fā)展
- 9.1.2 Tensorboard
- 9.2 卷積神經(jīng)網(wǎng)絡(luò)模型與Tensorboard 實戰(zhàn)
- 9.2.1 FashionMNIST 數(shù)據(jù)集
- 9.2.2 數(shù)據(jù)準(zhǔn)備與模型搭建
- 9.2.3 Tensorboard 的使用
- 9.3 本章小結(jié)
- 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(jié)果
- 10.4 本章小結(jié)
- 第11 章實戰(zhàn)：使用PyTorch 搭建卷積神經(jīng)網(wǎng)絡(luò)進行音頻轉(zhuǎn)化
- 11.1 數(shù)據(jù)集準(zhǔn)備
- 11.2 數(shù)據(jù)預(yù)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(gòu)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(xùn)練與結(jié)果評估
- 11.4.1 adam 優(yōu)化器
- 11.4.2 學(xué)習(xí)率策略定義
- 11.4.3 準(zhǔn)確度驗證
- 11.4.4 訓(xùn)練
- 11.5 本章小結(jié)
- 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(biāo)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(xùn)練集的獲取和數(shù)據(jù)標(biāo)注
- 12.2.3 模型訓(xùn)練
- 12.2.4 模型的測試與預(yù)覽
- 12.3 YOLO 的其他拓展
- 12.4 本章小結(jié)
- 第13 章實戰(zhàn)：使用PyTorch 實現(xiàn)基于預(yù)訓(xùn)練模型的文本情感分析
- 13.1 模型介紹
- 13.1.1 預(yù)訓(xùn)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(diào)
- 13.6 效果測評
- 13.7 本章小結(jié)
- 第14 章實戰(zhàn)：用PyTorch 進行視頻處理
- 14.1 數(shù)據(jù)準(zhǔn)備
- 14.2 數(shù)據(jù)預(yù)處理
- 14.2.1 數(shù)據(jù)集的讀取
- 14.2.2 視頻關(guān)鍵幀的提取
- 14.3 模型構(gòu)建
- 14.3.1 ResNet-18 提取關(guān)鍵幀的特征
- 14.3.2 L2 正則化關(guān)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(xùn)練與結(jié)果評估
- 14.4.1 訓(xùn)練函數(shù)的實現(xiàn)
- 14.4.2 訓(xùn)練結(jié)果提交
- 14.5 本章小結(jié)
- 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(xué)習(xí)
- 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(yù)處理
- 15.4.2 讀取數(shù)據(jù)
- 15.4.3 訓(xùn)練
- 15.5 本章小結(jié)
- 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(yù)處理
- 16.4 模型實現(xiàn)
- 16.5 本章小結(jié)
- 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(xué)習(xí)的數(shù)學(xué)基礎(chǔ)
- B.1 線性代數(shù)
- B.2 概率論
展開全部
Python深度學(xué)習(xí)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(quán)，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(nèi)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(quán)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(guān)后果本平臺保留向您追償索賠的權(quán)利！版權(quán)所有，后果自負！
得書感謝您對《Python深度學(xué)習(xí)實戰(zhàn)——基于Pytorch》關(guān)注和支持，如本書內(nèi)容有不良信息或侵權(quán)等情形的，請聯(lián)系本網(wǎng)站。
電子書
電子書
本書基于Python以及兩個深度學(xué)習(xí)框架Keras與TensorFlow，講述深度學(xué)習(xí)在實際項目中的應(yīng)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(jīng)網(wǎng)絡(luò)、神經(jīng)網(wǎng)絡(luò)模型的優(yōu)化、卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)，最后討論自編碼模型、對抗生成網(wǎng)絡(luò)、深度強化學(xué)習(xí)。
電子書
《Python深度學(xué)習(xí)》以深度學(xué)習(xí)框架為基礎(chǔ)，介紹機器學(xué)習(xí)的基礎(chǔ)知識與常用方法，全面細致地提供了機器學(xué)習(xí)操作的原理及其在深度學(xué)習(xí)框架下的實踐步驟。全書共16章，分別介紹了深度學(xué)習(xí)基礎(chǔ)知識、深度學(xué)習(xí)框架及其對比、機器學(xué)習(xí)基礎(chǔ)知識、深度學(xué)習(xí)框架（以PyTorch為例）基礎(chǔ)、Logistic回歸、多層感知器、卷積神經(jīng)網(wǎng)絡(luò)與計算機視覺、神經(jīng)網(wǎng)絡(luò)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(jié)合，相信
電子書
機器學(xué)習(xí)是人工智能領(lǐng)域一個極其重要的研究方向，而深度學(xué)習(xí)則是機器學(xué)習(xí)中一個非常接近AI的分支，其思路在于建立進行分析學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)，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(xué)習(xí)在快速的發(fā)展過程中，不斷有與其相關(guān)的產(chǎn)品推向市場，顯然，深度學(xué)習(xí)的應(yīng)用將會日趨廣泛。《Python深度學(xué)習(xí)：邏輯、算法與編程實戰(zhàn)》是關(guān)于深度學(xué)習(xí)的理論、算法、應(yīng)用的實戰(zhàn)教程，內(nèi)容涵蓋深度學(xué)習(xí)的語言、學(xué)習(xí)環(huán)境、典型
電子書
本書是《動手學(xué)深度學(xué)習(xí)》的重磅升級版本，選用經(jīng)典的PyTorch深度學(xué)習(xí)框架，旨在向讀者交付更為便捷的有關(guān)深度學(xué)習(xí)的交互式學(xué)習(xí)體驗。本書重新修訂《動手學(xué)深度學(xué)習(xí)》的所有內(nèi)容，并針對技術(shù)的發(fā)展，新增注意力機制、預(yù)訓(xùn)練等內(nèi)容。本書包含15章，第一部分介紹深度學(xué)習(xí)的基礎(chǔ)知識和預(yù)備知識，并由線性模型引出最簡單的神經(jīng)網(wǎng)絡(luò)——多層感知機；第二部分闡述深度學(xué)習(xí)計算的關(guān)鍵組件、卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)、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(xué)習(xí)、深度學(xué)習(xí)等內(nèi)容，涉及統(tǒng)計學(xué)基礎(chǔ)、Python基礎(chǔ)、Python面向?qū)ο笕腴T、在Python中操作MySQL、Pandas、Matplotlib、人工智能、Scikit-learn、神經(jīng)網(wǎng)絡(luò)等。書中包括大量代碼和綜合練習(xí)，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(chǔ)設(shè)施，并基于此講解了機器學(xué)習(xí)與深度學(xué)習(xí)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(jīng)網(wǎng)絡(luò)、因子分解機、Wide&Deep、DeepFM、循環(huán)神經(jīng)網(wǎng)絡(luò)以及卷積神經(jīng)網(wǎng)絡(luò)，這部分除了著重介紹這些模型的原理、結(jié)構(gòu)以及它們之間的聯(lián)系外，還用MatrixSlow框架搭建并訓(xùn)練它們以解決實際問題
電子書
本書使用Python的機器學(xué)習(xí)算法庫scikit-learn講解機器學(xué)習(xí)重要算法的應(yīng)用，內(nèi)容包括機器學(xué)習(xí)認知、數(shù)據(jù)預(yù)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(jīng)網(wǎng)絡(luò)、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(xué)習(xí)的重要算法進行講解，提供一條從實踐出發(fā)掌握機器學(xué)習(xí)知識的途徑，讀者即使沒有很扎實的數(shù)學(xué)
