PyTorch編程技術(shù)與深度學(xué)習(xí) 版權(quán)信息
- ISBN:9787302602088
- 條形碼:9787302602088 ; 978-7-302-60208-8
- 裝幀:80g膠版紙
- 冊(cè)數(shù):暫無
- 重量:暫無
- 所屬分類:>
PyTorch編程技術(shù)與深度學(xué)習(xí) 本書特色
深度學(xué)習(xí)是機(jī)器學(xué)習(xí)中非常激動(dòng)人心的領(lǐng)域,深度學(xué)習(xí)算法工程師、圖像視覺工程師和自然語言處理工程師逐漸成為報(bào)酬較高的新興職業(yè),各行各業(yè)的公司都在尋求具備深度學(xué)習(xí)理論知識(shí)和實(shí)際編程技能的人才。初學(xué)者學(xué)習(xí)深度學(xué)習(xí)理論與PyTorch編程技術(shù)一般都會(huì)面臨兩大障礙,**大障礙是深度學(xué)習(xí)理論基礎(chǔ),深度學(xué)習(xí)包含了很多需要掌握的基本概念;第二大障礙是編程實(shí)踐。本書就是為了讓初學(xué)者順利入門而設(shè)計(jì)的,本書系統(tǒng)講解了深度學(xué)習(xí)的原理以及PyTorch編程技術(shù),內(nèi)容較全面,可操作性強(qiáng),做到理論與實(shí)踐相結(jié)合,幫助初學(xué)者順利入門,進(jìn)而掌握好這項(xiàng)技術(shù)。
《PyTorch編程技術(shù)與深度學(xué)習(xí)》講解詳細(xì)且通俗易懂,以具體的示例輔助學(xué)習(xí)和實(shí)踐,便于讀者理解和自主應(yīng)用。本書有三大特色。特色一:理論與實(shí)踐結(jié)合。通常的PyTorch編程書籍往往只提供一些可運(yùn)行代碼和點(diǎn)到為止的講解,學(xué)習(xí)者常常知其然而不知其所以然。本書不但提供示例代碼,還詳細(xì)講解背后的原理和代碼的細(xì)節(jié),加深對(duì)代碼的理解。特色二:內(nèi)容新,反映PyTorch的發(fā)展方向。特色三:在線輔導(dǎo)。專門開設(shè)QQ學(xué)習(xí)群以提供學(xué)習(xí)全程輔導(dǎo),自學(xué)無憂。
《PyTorch編程技術(shù)與深度學(xué)習(xí)》可供深度學(xué)習(xí)PyTorch編程初學(xué)者作為入門的技術(shù)參考書,也適合作為大中專院校學(xué)生的教材或參考書。
解決深度學(xué)習(xí)理論基礎(chǔ)和編程實(shí)踐兩大學(xué)習(xí)障礙,內(nèi)容涵蓋PyTorch編程知識(shí)和深度學(xué)習(xí),講解由淺入深,案例循序漸進(jìn)。設(shè)立讀者輔導(dǎo)QQ群,自學(xué)無障礙。提供源代碼解決深度學(xué)習(xí)理論基礎(chǔ)和編程實(shí)踐兩大學(xué)習(xí)障礙,內(nèi)容涵蓋PyTorch編程知識(shí)和深度學(xué)習(xí),講解由淺入深,案例循序漸進(jìn)。設(shè)立讀者輔導(dǎo)QQ群,自學(xué)無障礙。提供源代碼
PyTorch編程技術(shù)與深度學(xué)習(xí) 內(nèi)容簡介
《PyTorch編程技術(shù)與深度學(xué)習(xí)》講述深度學(xué)習(xí)的基本原理,使用PyTorch展示涉及的深度學(xué)習(xí)算法。通過理論講解和編程操作,使讀者了解并掌握深度學(xué)習(xí)的原理和PyTorch編程技能,拉近理論與實(shí)踐的距離。全書共分9章,主要內(nèi)容包括PyTorch介紹、PyTorch基礎(chǔ)編程、深度學(xué)習(xí)快速入門、神經(jīng)網(wǎng)絡(luò)訓(xùn)練與優(yōu)化、卷積神經(jīng)網(wǎng)絡(luò)原理、卷積神經(jīng)網(wǎng)絡(luò)示例、詞嵌入模型、循環(huán)神經(jīng)網(wǎng)絡(luò)原理、NLP示例。書中不但涵蓋成熟的卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)的原理和示例,還包含一些新的如Transformer和知識(shí)蒸餾的內(nèi)容。全書源代碼全部在Python 3.7.4 + PyTorch 1.9.0版本上調(diào)試成功。
《PyTorch編程技術(shù)與深度學(xué)習(xí)》適合深度學(xué)習(xí)和PyTorch編程人員作為入門和提高的技術(shù)參考書使用,也適合用作計(jì)算機(jī)專業(yè)高年級(jí)本科生和研究生的教材或教學(xué)參考書。
PyTorch編程技術(shù)與深度學(xué)習(xí) 目錄
第1章PyTorch介紹
1.1深度學(xué)習(xí)與PyTorch簡介
1.1.1深度學(xué)習(xí)介紹
1.1.2PyTorch介紹
1.2PyTorch安裝
1.2.1Anaconda下載
1.2.2Windows下安裝PyTorch
1.2.3LinuxUbuntu下安裝PyTorch
1.2.4Anaconda管理
1.3常用數(shù)據(jù)集
1.3.1MNIST數(shù)據(jù)集
1.3.2Fashion-MNIST數(shù)據(jù)集
1.3.3CIFAR-10數(shù)據(jù)集
1.3.4Dogsvs.Cats數(shù)據(jù)集
1.3.5AG_NEWS數(shù)據(jù)集
1.3.6WikiText2數(shù)據(jù)集
1.3.7QIQC數(shù)據(jù)集
1.3.8Multi30k數(shù)據(jù)集
習(xí)題
第2章PyTorch基礎(chǔ)編程
2.1張量數(shù)據(jù)操作
2.1.1張量簡介
2.1.2張量操作
2.1.3廣播機(jī)制
2.1.4在GPU上使用Tensor
2.2自動(dòng)求導(dǎo)
2.2.1自動(dòng)求導(dǎo)概念
2.2.2自動(dòng)求導(dǎo)示例
2.3數(shù)據(jù)集API
2.3.1自定義數(shù)據(jù)集類
2.3.2DataLoader類
2.4torchvision工具示例
2.4.1編寫簡單的圖像數(shù)據(jù)集
2.4.2Transforms模塊
2.4.3Normalize用法
2.4.4ImageFolder用法
2.5torchtext工具示例
2.5.1編寫文本預(yù)處理程序
2.5.2使用torchtext
習(xí)題
第3章深度學(xué)習(xí)快速入門
3.1線性回歸
3.1.1線性回歸介紹
3.1.2線性回歸實(shí)現(xiàn)
3.2使用nn模塊構(gòu)建線性回歸模型
3.2.1使用nn.Linear訓(xùn)練線性回歸模型
3.2.2使用nn.Sequential訓(xùn)練線性回歸模型
3.2.3使用nn.Module訓(xùn)練線性回歸模型
3.3邏輯回歸
3.3.1邏輯回歸介紹
3.3.2邏輯回歸實(shí)現(xiàn)
3.4Softmax回歸
3.4.1Softmax回歸介紹
3.4.2Softmax回歸實(shí)現(xiàn)
3.5神經(jīng)網(wǎng)絡(luò)
3.5.1神經(jīng)元
3.5.2激活函數(shù)
3.5.3神經(jīng)網(wǎng)絡(luò)原理
3.5.4PyTorch神經(jīng)網(wǎng)絡(luò)編程
習(xí)題
第4章神經(jīng)網(wǎng)絡(luò)訓(xùn)練與優(yōu)化
4.1神經(jīng)網(wǎng)絡(luò)迭代概念
4.1.1訓(xùn)練誤差與泛化誤差
4.1.2訓(xùn)練集、驗(yàn)證集和測(cè)試集劃分
4.1.3偏差與方差
4.2正則化方法
4.2.1提前終止
4.2.2正則化
4.2.3Dropout
4.3優(yōu)化算法
4.3.1小批量梯度下降
4.3.2Momentum算法
4.3.3RMSProp算法
4.3.4Adam算法
4.4PyTorch的初始化函數(shù)
4.4.1普通初始化
4.4.2Xavier初始化
4.4.3He初始化
習(xí)題
第5章卷積神經(jīng)網(wǎng)絡(luò)原理
5.1CNN介紹
5.1.1CNN與圖像處理
5.1.2卷積的基本原理
5.1.3池化的基本原理
5.2簡單的CNN網(wǎng)絡(luò)
5.2.1定義網(wǎng)絡(luò)模型
5.2.2模型訓(xùn)練
5.2.3模型評(píng)估
5.2.4主函數(shù)
5.3PyTorch實(shí)現(xiàn)LeNet-5網(wǎng)絡(luò)
5.3.1LeNet-5介紹
5.3.2LeNet-5實(shí)現(xiàn)MNIST手寫數(shù)字識(shí)別
5.3.3LeNet-5實(shí)現(xiàn)CIFAR-10圖像識(shí)別
習(xí)題
第6章卷積神經(jīng)網(wǎng)絡(luò)示例
6.1經(jīng)典CNN網(wǎng)絡(luò)
6.1.1VGG
6.1.2ResNet
6.1.3Inception
6.1.4Xception
6.1.5ResNet代碼研讀
6.2使用預(yù)訓(xùn)練的CNN
6.2.1特征抽取
6.2.2微調(diào)
6.3知識(shí)蒸餾
6.3.1知識(shí)蒸餾原理
6.3.2知識(shí)蒸餾示例
6.4CNN可視化
6.4.1中間激活可視化
6.4.2過濾器可視化
習(xí)題
第7章詞嵌入模型
7.1詞嵌入模型介紹
7.1.1獨(dú)熱碼
7.1.2詞嵌入
7.2詞嵌入學(xué)習(xí)
7.2.1詞嵌入學(xué)習(xí)的動(dòng)機(jī)
7.2.2Skip-Gram算法
7.2.3CBOW算法
7.2.4負(fù)采樣
7.2.5GloVe算法
7.3Word2Vec算法實(shí)現(xiàn)
7.3.1Skip-Gram實(shí)現(xiàn)
7.3.2CBOW實(shí)現(xiàn)
7.3.3負(fù)采樣Skip-Gram實(shí)現(xiàn)
習(xí)題
第8章循環(huán)神經(jīng)網(wǎng)絡(luò)原理
8.1RNN介紹
8.1.1有記憶的神經(jīng)網(wǎng)絡(luò)
8.1.2RNN用途
8.2基本RNN模型
8.2.1基本RNN原理
8.2.2基本RNN的訓(xùn)練問題
8.2.3基本RNN編程
8.2.4基本RNN示例
8.3LSTM
8.3.1LSTM原理
8.3.2LSTM編程
8.4GRU
8.4.1GRU原理
8.4.2GRU編程
8.5注意力機(jī)制
8.5.1Seq2Seq模型的缺陷
8.5.2機(jī)器翻譯中的注意力機(jī)制
8.6Transformer模型
8.6.1編碼器
8.6.2多頭注意力層
8.6.3前向?qū)?
8.6.4位置編碼
8.6.5解碼器
8.6.6解碼器層
8.6.7Transformer的PyTorch實(shí)現(xiàn)
習(xí)題
第9章NLP示例
9.1情感分析
9.1.1AGNEWS示例
9.1.2Quora競賽示例
9.2語言模型
9.3文本序列數(shù)據(jù)生成
9.3.1向莎士比亞學(xué)寫詩
9.3.2神經(jīng)機(jī)器翻譯
習(xí)題
參考文獻(xiàn)
展開全部
PyTorch編程技術(shù)與深度學(xué)習(xí) 作者簡介
袁梅宇,工學(xué)博士,碩士導(dǎo)師,現(xiàn)在昆明理工大學(xué)計(jì)算機(jī)系任教。為本科生和研究生主講軟件工程、Java程序設(shè)計(jì)、Java EE技術(shù)、數(shù)據(jù)庫原理、機(jī)器學(xué)習(xí)、人工智能等多門核心課程。第一作者專著有《Java EE企業(yè)級(jí)編程開發(fā)實(shí)例詳解》《數(shù)據(jù)挖掘與機(jī)器學(xué)習(xí)——WEKA應(yīng)用技術(shù)與實(shí)踐》《數(shù)據(jù)挖掘與機(jī)器學(xué)習(xí)——WEKA應(yīng)用技術(shù)與實(shí)踐(第二版)》《求精要訣——Java EE編程開發(fā)案例精講》《機(jī)器學(xué)習(xí)基礎(chǔ)——原理算法與實(shí)踐》。