總金額: 會員:NT$ 0 非會員:NT$ 0 
(此金額尚未加上運費)
電子電信技術 電腦技術 自動化基礎理論
 
 
 
 
PyTorch深度學習(配件另行下載)
 作  者: (印度)毗濕奴•布拉馬尼亞
 出版單位: 人民郵電
 出版日期: 2019.04
 進貨日期: 2019/8/22
 ISBN: 9787115508980
 開  本: 16 開    
 定  價: 413
 售  價: 330
  會 員 價: 303
推到Facebook 推到Plurk 推到Twitter
前往新書區 書籍介紹 購物流程  
 
編輯推薦:

深度學習為世界上的智慧系統(比如Google Voice、Siri和Alexa)提供了動力。隨著硬體(如GPU)和軟體框架(如PyTorch、Keras、TensorFlow和CNTK)的進步以及大資料的可用性,人們在文本、視覺和分析等領域更容易實施相應問題的解決方案。 本書對當今前沿的深度學習庫PyTorch進行了講解。憑藉其易學習性、高效性以及與Python開發的天然親近性,PyTorch獲得了深度學習研究人員以及資料科學家們的關注。本書從PyTorch的安裝講起,然後介紹了為現代深度學習提供驅動力的多個基礎模組,還介紹了使用CNN、RNN、LSTM以及其他網路模型解決問題的方法。本書對多個先進的深度學習架構的概念(比如ResNet、DenseNet、Inception和Seq2Seq)進行了闡述,但沒有深挖其背後的數學細節。與GPU計算相關的知識、使用PyTorch訓練模型的方法,以及用來生成文本和圖像的複雜神經網路(如生成網路),也在本書中有所涵蓋。 學完本書後,讀者可以使用PyTorch輕鬆開發深度學習應用程式。 本書內容: 在GPU加速的張量計算中使用PyTorch; 為圖像自行創建資料集和資料裝載器,然後使用torchvision和torchtext測試模型; 使用PyTorch來實現CNN架構,從而構建圖像分類器; 使用RNN、LSTM和GRU開發能進行文本分類和語言建模的系統; 學習的CCN架構(比如ResNet、Inception、DenseNet等),並將其應用在遷移學習中; 學習如何混合多個模型,從而生成一個強大的集成模型; 使用GAN生成新圖像,並使用風格遷移生成藝術圖像。


內容簡介:

PyTorch是Facebook於2017年初在機器學習和科學計算工具Torch的基礎上,針對Python語言發佈的一個全新的機器學習工具包,一經推出便受到了業界的廣泛關注和討論,目前已經成為機器學習從業人員的研發工具。 《PyTorch深度學習》是使用PyTorch構建神經網路模型的實用指南,內容分為9章,包括PyTorch與深度學習的基礎知識、神經網路的構成、神經網路的知識、機器學習基礎知識、深度學習在電腦視覺中的應用、深度學習在序列資料和文本中的應用、生成網路、現代網路架構,以及PyTorch與深度學習的未來走向。 《PyTorch深度學習》適合對深度學習領域感興趣且希望一探PyTorch的業內人員閱讀;具備其他深度學習框架使用經驗的讀者,也可以通過本書掌握PyTorch的用法。


作者簡介:

Vishnu Subramanian在領導、設計和實施大資料分析專案(人工智慧、機器學習和深度學習)方面富有經驗。擅長機器學習、深度學習、分散式機器學習和視覺化等。在零售、金融和旅行等行業頗具經驗,還善於理解和協調企業、人工智慧和工程團隊之間的關係。


圖書目錄:

第 1章 PyTorch與深度學習1
1.1 人工智慧 1
1.2 機器學習 3
1.3 深度學習 4
1.3.1 深度學習的應用 4
1.3.2 深度學習的浮誇宣傳 6
1.3.3 深度學習發展史 6
1.3.4 為何是現在 7
1.3.5 硬體可用性 7
1.3.6 資料和演算法 8
1.3.7 深度學習框架 9
1.4 小結 10

第 2章 神經網路的構成 11
2.1 安裝PyTorch 11
2.2 實現第 一個神經網路 12
2.2.1 準備資料 13
2.2.2 為神經網路創建資料 20
2.2.3 載入資料 24
2.3 小結 25
第3章 深入瞭解神經網路 26
3.1 詳解神經網路的組成部分 26
3.1.1 層—神經網路的基本組成 27
3.1.2 非線性啟動函數 29
3.1.3 PyTorch中的非線性啟動函數 32
3.1.4 使用深度學習進行圖像分類 36
3.2 小結 46

第4章 機器學習基礎 47
4.1 三類機器學習問題 47
4.1.1 有監督學習 48
4.1.2 無監督學習 48
4.1.3 強化學習 48
4.2 機器學習術語 49
4.3 評估機器學習模型 50
4.4 資料預處理與特徵工程 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 特徵工程 55
4.5 過擬合與欠擬合 56
4.5.1 獲取更多資料 56
4.5.2 縮小網路規模 57
4.5.3 應用權重正則化 58
4.5.4 應用dropout 58
4.5.5 欠擬合 60
4.6 機器學習專案的工作流 60
4.6.1 問題定義與資料集創建 60
4.6.2 成功的衡量標準 61
4.6.3 評估協議 61
4.6.4 準備資料 62
4.6.5 模型基線 62
4.6.6 大到過擬合的模型 63
4.6.7 應用正則化 63
4.6.8 學習率選擇策略 64
4.7 小結 65

第5章 深度學習之電腦視覺 66
5.1 神經網路簡介 66
5.2 從零開始構建CNN模型 69
5.2.1 Conv2d 71
5.2.2 池化 74
5.2.3 非線性啟動—ReLU 75
5.2.4 視圖 76
5.2.5 訓練模型 77
5.2.6 狗貓分類問題—從零開始構建CNN 80
5.2.7利用遷移學習對狗貓分類 82
5.3 創建和探索VGG16模型 84
5.3.1 凍結層 85
5.3.2 微調VGG16模型 85
5.3.3 訓練VGG16模型 86
5.4 計算預卷積特徵 88
5.5 理解CNN模型如何學習 91
5.6 CNN層的視覺化權重 94
5.7 小結 95

第6章 序列資料和文本的深度學習 96
6.1 使用文本資料 96
6.1.1 分詞 98
6.1.2 向量化 100
6.2 通過構建情感分類器訓練詞向量 104
6.2.1 下載IMDB數據並對文本分詞 104
6.2.2 構建詞表 106
6.2.3 生成向量的批資料 107
6.2.4 使用詞向量創建網路模型 108
6.2.5 訓練模型 109
6.3 使用預訓練的詞向量 110
6.3.1 下載詞向量 111
6.3.2 在模型中載入詞向量 112
6.3.3 凍結embedding層權重 113
6.4 遞迴神經網路(RNN) 113
6.5 LSTM 117
6.5.1 長期依賴 117
6.5.2 LSTM網路 117
6.6 基於序列資料的卷積網路 123
6.7 小結125

第7章 生成網路 126
7.1 神經風格遷移 126
7.1.1 載入資料 129
7.1.2 創建VGG模型 130
7.1.3 內容損失 131
7.1.4 風格損失 131
7.1.5 提取損失 133
7.1.6 為網路層創建損失函數 136
7.1.7 創建優化器 136
7.1.8 訓練 137
7.2 生成對抗網路(GAN) 138
7.3 深度卷機生成對抗網路 139
7.3.1 定義生成網路 140
7.3.2 定義判別網路 144
7.3.3 定義損失函數和優化器 145
7.3.4 訓練判別網路 145
7.3.5 訓練生成網路 146
7.3.6 訓練整個網路 147
7.3.7 檢驗生成的圖片 148
7.4 語言建模 150
7.4.1 準備資料 151
7.4.2 生成批資料 152
7.4.3 定義基於LSTM的模型 153
7.4.4 定義訓練和評估函數 155
7.4.5 訓練模型 157
7.5 小結 159

第8章 現代網路架構 160
8.1 現代網路架構 160
8.1.1 ResNet 160
8.1.2 Inception 168
8.2 稠密連接卷積網路(DenseNet) 175
8.2.1 DenseBlock 175
8.2.2 DenseLayer 176
8.3 模型集成 180
8.3.1 創建模型 181
8.3.2 提取圖片特徵 182
8.3.3 創建自訂資料集和資料載入器 183
8.3.4 創建集成模型 184
8.3.5 訓練和驗證模型 185
8.4 encoder-decoder架構 186
8.4.1 編碼器 188
8.4.2 解碼器 188
8.5 小結 188

第9章 未來走向 189
9.1 未來走向 189
9.2 回顧 189
9.3 有趣的創意應用 190
9.3.1 物件檢測 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.ai—神經網路不再神秘 192
9.3.6 Open Neural Network Exchange 192
9.4 如何跟上前沿 193
9.5 小結 193


圖片預覽:

 
  步驟一.
依據網路上的圖書,挑選你所需要的書籍,根據以下步驟進行訂購
選擇產品及數量 結 帳 輸入基本資料 取貨與付款方式
┌───────────────────────────────────────────────────┘
資料確定 確認結帳 訂單編號    

步驟二.
完成付款的程序後,若採用貨到付款等宅配方式,3~7天內 ( 例假日將延期一至兩天 ) 您即可收到圖書。若至分店門市取貨,一週內聯絡取書。

步驟三.
完成購書程序者,可利用 訂單查詢 得知訂單進度。

注意事項.
● 付款方式若為網路刷卡必須等" 2 ~ 3 個工作天"確認款項已收到,才會出貨.如有更改書籍數量請記得按更新購物車,謝謝。

● 大陸出版品封面老舊、磨痕、凹痕等均屬常態,除封面破損、內頁脫落...等較嚴重的狀態外,其餘所有商品將正常出貨。

● 至2018年起,因中國大陸環保政策,部分書籍配件以QR CODE取代光盤音頻mp3或dvd,已無提供實體光盤。如需使用學習配件,請掃描QR CODE 連結至當地網站註冊並通過驗證程序,方可下載使用。造成不便,敬請見諒。

● 我們將保留所有商品出貨權利,如遇缺書情形,訂單未達免運門檻運費需自行負擔。

預訂海外庫存.
商品到貨時間須4週,訂單書籍備齊後方能出貨,如果您有急用書籍,建議與【預訂海外庫存】商品分開訂購。