掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
PyTorch深度學習入門與實戰 版權信息
- ISBN：9787113270049
- 條形碼：9787113270049 ; 978-7-113-27004-9
- 裝幀：80g膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
PyTorch深度學習入門與實戰 本書特色
中國科學院院士，清華大學人工智能研究院院長張鈸傾力推薦 詳解PyTorch框架分布式計算、CUDA擴展等高級使用技巧 涵蓋圖像分類、文本處理、物體定位、自動架構搜索等諸多領域實戰案例 豐富的新科研成果引用展示，緊跟人工智能發展前沿 提供完整源代碼文件
PyTorch深度學習入門與實戰 內容簡介
內 容 簡 介 書中以案例形式詳細介紹了PyTorch的各種實戰應用。具體內容包括PyTorch與TensorFlow的對比和PyTorch的發展現狀，張量Tensor和自動微分Autograd及其具體應用，PyTorch構建神經網絡，基于PyTorch構建復雜應用，PyTorch高級技巧與實戰應用，網絡剪枝應用。
PyTorch深度學習入門與實戰 目錄
目錄
第1章 PyTorch簡介
1.1 深度學習簡介 1
1.2 PyTorch的由來 2
1.2.1 深度學習框架回顧 2
1.2.2 PyTorch前身：Torch7 4
1.2.3 Torch7的重生 5
1.3 PyTorch與TensorFlow對比 5
1.3.1 TensorFlow簡介 6
1.3.2 動靜之爭 6
1.3.3 二者借鑒融合 7
1.3.4 PyTorch的優勢 7
1.4 PyTorch發展現狀 8
1.4.1 主要版本特點回顧 8
1.4.2 準備工作 8
第2章 PyTorch基礎計算
2.1 PyTorch核心基礎概念：張量Tensor 11
2.1.1 Tensor基本介紹 11
2.1.2 Tensor數學運算操作 15
2.1.3 Tensor索引分片合并變換操作 20
2.1.4 Tensor類成員方法 22
2.1.5 在GPU上計算 24
2.2 PyTorch可微編程核心：自動微分Autograd 25
2.2.1 PyTorch自動微分簡介 25
2.2.2 可微分張量 25
2.2.3 利用自動微分求梯度 26
2.2.4 Function：自動微分實現基礎 29
2.2.5 注意事項 31
2.3 PyTorch應用實戰一：實現卷積操作 34
2.3.1 卷積操作 34
2.3.2 利用張量操作實現卷積 36
2.4 PyTorch應用實戰二：實現卷積神經網絡進行圖像分類 38
第3章 PyTorch構建神經網絡
3.1 PyTorch神經網絡計算核心：torch.nn 43
3.1.1 nn.Module概述 43
3.1.2 結構化構建神經網絡 47
3.1.3 經典神經網絡層介紹 49
3.1.4 函數式操作nn.functional 53
3.2 PyTorch優化器 55
3.2.1 torch.optim概述 55
3.2.2 經典優化器介紹 56
3.2.3 學習率調整 57
3.3 PyTorch應用實戰一：實現二值化神經網絡 59
3.3.1 二值化網絡BinaryNet概述 59
3.3.2 具體實現 60
3.4 PyTorch應用實戰二：利用LSTM實現文本情感分類 63
3.4.1 文本情感分類 63
3.4.2 具體實現 65
第4章 基于PyTorch構建復雜應用
4.1 PyTorch數據加載 70
4.1.1 數據預處理：torchvision.transforms 70
4.1.2 數據加載：torch.utils.data 73
4.2 PyTorch模型搭建 77
4.2.1 經典模型復用與分享：torchvision.models 78
4.2.2 模型加載與保存 79
4.2.3 導出為ONNX格式 85
4.3 訓練過程中日志記錄與可視化 89
4.4 PyTorch應用實戰一：在CIFAR10數據集進行神經網絡結構搜索 93
4.4.1 可微分網絡架構搜索DARTS介紹 94
4.4.2 簡化問題建模：以ResNet為例 95
4.4.3 具體實現 96
4.5 PyTorch應用實戰二：在ImageNet數據集進行弱監督物體定位 108
4.5.1 GradCAM解釋顯著圖方法介紹 108
4.5.2 弱監督物體定位任務 109
4.5.3 具體實現 110
第5章 PyTorch高級技巧與實戰應用
5.1 PyTorch并行計算 118
5.1.1 大規模數據集加載 118
5.1.2 模型的高效并行計算 122
5.1.3 加速模型計算和減少顯存使用 125
5.2 擴展PyTorch 126
5.2.1 利用C++和CUDA實現自定義算子 126
5.2.2 利用TorchScript導出PyTorch模型 136
5.3 豐富的PyTorch資源介紹 145
5.4 PyTorch應用實戰一：在ImageNet上訓練MobileNet-V2網絡 146
5.4.1 MobileNet-V2網絡介紹 146
5.4.2 具體實現 147
5.5 PyTorch應用實戰二：利用CUDA擴展實現MixConv算子 157
5.5.1 MixConv算子介紹 157
5.5.2 借鑒Depthwise卷積實現思路 158
5.5.3 具體實現 160
第6章 PyTorch完整實戰講解——網絡剪枝應用
6.1 網絡剪枝介紹 169
6.1.1 剪枝方法分類 169
6.1.2 基于權重通道重要性的結構化剪枝 170
6.1.3 問題定義與建模 170
6.2 具體實現思路 171
6.2.1 如何附屬控制門值 171
6.2.2 剪枝結構搜索 172
6.2.3 剪枝模型訓練 174
6.3 完整代碼實現 175
6.3.1 模型搭建 176
6.3.2 剪枝器實現 181
6.3.3 學習控制門變量 183
6.3.4 剪枝模型 187
6.3.5 訓練模型 189
6.3.6 規模化啟動訓練任務 193
6.4 實驗結果 198
參考文獻
第1章 PyTorch簡介
1.1 深度學習簡介 1
1.2 PyTorch的由來 2
1.2.1 深度學習框架回顧 2
1.2.2 PyTorch前身：Torch7 4
1.2.3 Torch7的重生 5
1.3 PyTorch與TensorFlow對比 5
1.3.1 TensorFlow簡介 6
1.3.2 動靜之爭 6
1.3.3 二者借鑒融合 7
1.3.4 PyTorch的優勢 7
1.4 PyTorch發展現狀 8
1.4.1 主要版本特點回顧 8
1.4.2 準備工作 8
第2章 PyTorch基礎計算
2.1 PyTorch核心基礎概念：張量Tensor 11
2.1.1 Tensor基本介紹 11
2.1.2 Tensor數學運算操作 15
2.1.3 Tensor索引分片合并變換操作 20
2.1.4 Tensor類成員方法 22
2.1.5 在GPU上計算 24
2.2 PyTorch可微編程核心：自動微分Autograd 25
2.2.1 PyTorch自動微分簡介 25
2.2.2 可微分張量 25
2.2.3 利用自動微分求梯度 26
2.2.4 Function：自動微分實現基礎 29
2.2.5 注意事項 31
2.3 PyTorch應用實戰一：實現卷積操作 34
2.3.1 卷積操作 34
2.3.2 利用張量操作實現卷積 36
2.4 PyTorch應用實戰二：實現卷積神經網絡進行圖像分類 38
第3章 PyTorch構建神經網絡
3.1 PyTorch神經網絡計算核心：torch.nn 43
3.1.1 nn.Module概述 43
3.1.2 結構化構建神經網絡 47
3.1.3 經典神經網絡層介紹 49
3.1.4 函數式操作nn.functional 53
3.2 PyTorch優化器 55
3.2.1 torch.optim概述 55
3.2.2 經典優化器介紹 56
3.2.3 學習率調整 57
3.3 PyTorch應用實戰一：實現二值化神經網絡 59
3.3.1 二值化網絡BinaryNet概述 59
3.3.2 具體實現 60
3.4 PyTorch應用實戰二：利用LSTM實現文本情感分類 63
3.4.1 文本情感分類 63
3.4.2 具體實現 65
第4章 基于PyTorch構建復雜應用
4.1 PyTorch數據加載 70
4.1.1 數據預處理：torchvision.transforms 70
4.1.2 數據加載：torch.utils.data 73
4.2 PyTorch模型搭建 77
4.2.1 經典模型復用與分享：torchvision.models 78
4.2.2 模型加載與保存 79
4.2.3 導出為ONNX格式 85
4.3 訓練過程中日志記錄與可視化 89
4.4 PyTorch應用實戰一：在CIFAR10數據集進行神經網絡結構搜索 93
4.4.1 可微分網絡架構搜索DARTS介紹 94
4.4.2 簡化問題建模：以ResNet為例 95
4.4.3 具體實現 96
4.5 PyTorch應用實戰二：在ImageNet數據集進行弱監督物體定位 108
4.5.1 GradCAM解釋顯著圖方法介紹 108
4.5.2 弱監督物體定位任務 109
4.5.3 具體實現 110
第5章 PyTorch高級技巧與實戰應用
5.1 PyTorch并行計算 118
5.1.1 大規模數據集加載 118
5.1.2 模型的高效并行計算 122
5.1.3 加速模型計算和減少顯存使用 125
5.2 擴展PyTorch 126
5.2.1 利用C++和CUDA實現自定義算子 126
5.2.2 利用TorchScript導出PyTorch模型 136
5.3 豐富的PyTorch資源介紹 145
5.4 PyTorch應用實戰一：在ImageNet上訓練MobileNet-V2網絡 146
5.4.1 MobileNet-V2網絡介紹 146
5.4.2 具體實現 147
5.5 PyTorch應用實戰二：利用CUDA擴展實現MixConv算子 157
5.5.1 MixConv算子介紹 157
5.5.2 借鑒Depthwise卷積實現思路 158
5.5.3 具體實現 160
第6章 PyTorch完整實戰講解——網絡剪枝應用
6.1 網絡剪枝介紹 169
6.1.1 剪枝方法分類 169
6.1.2 基于權重通道重要性的結構化剪枝 170
6.1.3 問題定義與建模 170
6.2 具體實現思路 171
6.2.1 如何附屬控制門值 171
6.2.2 剪枝結構搜索 172
6.2.3 剪枝模型訓練 174
6.3 完整代碼實現 175
6.3.1 模型搭建 176
6.3.2 剪枝器實現 181
6.3.3 學習控制門變量 183
6.3.4 剪枝模型 187
6.3.5 訓練模型 189
6.3.6 規模化啟動訓練任務 193
6.4 實驗結果 198
參考文獻
展開全部
PyTorch深度學習入門與實戰 作者簡介
王宇龍 博士，畢業于清華大學計算機系，曾在CVPR/AAAI/TIP等多家國際會議期刊發表論文，研究方向為深度學習可解釋性、模型剪枝、對抗安全等。知乎“機器學習”話題優秀回答者（@Yulong）。現任螞蟻金服算法專家。
書友推薦
- >
煙與鏡
- >
龍榆生：詞曲概論/大家小書
- >
上帝之肋:男人的真實旅程
- >
【精裝繪本】畫給孩子的中國神話
- >
朝聞道
- >
詩經-先民的歌唱
- >
二體千字文
- >
經典常談
本類暢銷
