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深度學習指南:編程基礎 卷I 版權信息
- ISBN：9787111749783
- 條形碼：9787111749783 ; 978-7-111-74978-3
- 裝幀：簡裝本
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
PYTORCH深度學習指南:編程基礎 卷I 本書特色
國外Pytorch深度學習暢銷書 全彩印刷
作者擁有20余年從業經驗
“PyTorch深度學習指南”叢書循序漸進地詳細講解了與深度學習相關的重要概念、算法和模型，并著重展示了PyTorch是如何實現這些算法和模型的。其共分三卷：編程基礎、計算機視覺、序列與自然語言處理。
本書適用于對深度學習感興趣，并希望使用PyTorch實現深度學習的Python程序員閱讀。
以下是部分國外讀者書評：
Mike：語言通俗易懂，易于吸收和理解，沒有長篇大論，也沒有太多的數學符號，只在極少數情況下才在文中使用，確實很有幫助。作者帶你了解如何在沒有Torch的情況下首先構建和訓練神經網絡，以及梯度下降之類的事情是如何運作的。
Mark：這本書很棒！我能夠在幾天內讀完它，它非常容易理解。我很熟悉scikit-learn，已經用了幾年了，所以這本書是一種快速適應PyTorch的方法。對ML概念的回顧足夠深入，所以我理解了代碼。我現在開始讀第二卷！
TS.：這本書不只是把代碼推到你面前，它解釋了事物在引擎蓋下是如何工作的。我非常喜歡這種風格，所以我把這本書及其第二卷作為我的ECE655高級GPU編程和深度學習課程的教材。
Jesse：我喜歡這位作家的風格。他從深度學習背后的基本概念開始，帶領你從自己硬編碼梯度下降到使用PyTorch高效實現，逐步提高抽象和復雜性。*后，你將能夠在PyTorch中編寫一個干凈緊湊的模型，并且了解每個子組件在后臺做什么。
PYTORCH深度學習指南:編程基礎 卷I 內容簡介
“PyTorch深度學習指南”叢書循序漸進地詳細講解了與深度學習相關的重要概念、算法和模型，并著重展示了PyTorch是如何實現這些算法和模型的。其共分三卷：編程基礎、計算機視覺、序列與自然語言處理。
本書為該套叢書的**卷：編程基礎。本書主要介紹了梯度下降和PyTorch的Autograd；訓練循環、數據加載器、小批量和優化器；二元分類器、交叉熵損失和不平衡數據集；決策邊界、評估指標和數據可分離性等內容。
本書適用于對深度學習感興趣，并希望使用PyTorch實現深度學習的Python程序員閱讀學習。
PYTORCH深度學習指南:編程基礎 卷I 目錄
前 言
致 謝
關于作者
譯者序
常見問題
為什么選擇PyTorch？
為什么選擇這套書？
誰應該讀這套書？
我需要知道什么？
如何閱讀這套書？
下一步是什么？
設置指南
官方資料庫
環境
谷歌Colab
Binder
本地安裝
繼續
第0章 可視化梯度下降
劇透
Jupyter Notebook
導入
可視化梯度下降
模型
數據生成
合成數據生成
訓練-驗證-測試拆分
第0步——隨機初始化
第1步——計算模型的預測
第2步——計算損失
損失面
橫截面
第3步——計算梯度
可視化梯度
反向傳播
第4步——更新參數
學習率
第5步——循環往復
梯度下降的路徑
回顧
第1章 一個簡單的回歸問題
劇透
Jupyter Notebook
導入
一個簡單的回歸問題
數據生成
合成數據生成
梯度下降
第0步——隨機初始化
第1步——計算模型的預測
第2步——計算損失
第3步——計算梯度
第4步——更新參數
第5步——循環往復
Numpy中的線性回歸
PyTorch
張量
加載數據、設備和CUDA
創建參數
Autograd
backward
grad
zero_
更新參數
no_grad
動態計算圖
優化器
step/zero_grad
損失
模型
參數
state_dict
設備
前向傳遞
訓練
嵌套模型
序列（Sequential）模型
層
歸納總結
數據準備
模型配置
模型訓練
回顧
第2章 重新思考訓練循環
劇透
Jupyter Notebook
導入
重新思考訓練循環
訓練步驟
Dataset
TensorDataset
DataLoader
小批量內循環
隨機拆分
評估
繪制損失
TensorBoard
在Notebook中運行
單獨運行（本地安裝）
單獨運行（Binder）
SummaryWriter
add_graph
add_scalars
保存和加載模型
模型狀態
保存
恢復訓練
部署/做出預測
設置模型的模式
歸納總結
回顧
第2.1章 追求優雅
劇透
Jupyter Notebook
導入
追求優雅
類
構造方法
訓練方法
保存和加載方法
可視化方法
完整代碼
典型的管道
模型訓練
做出預測
檢查點
恢復訓練
歸納總結
回顧
第3章 一個簡單的分類問題
劇透
Jupyter Notebook
導入
一個簡單的分類問題
數據生成
數據準備
模型
logit
概率
比值比（Odds Ratio）
對數比值比
從logit到概率
Sigmoid
邏輯斯蒂回歸
損失
BCELoss
BCEWithLogitsLoss
不平衡數據集
模型配置
模型訓練
決策邊界
分類閾值
混淆矩陣
指標
權衡和曲線
歸納總結
回顧
致 謝
關于作者
譯者序
常見問題
為什么選擇PyTorch？
為什么選擇這套書？
誰應該讀這套書？
我需要知道什么？
如何閱讀這套書？
下一步是什么？
設置指南
官方資料庫
環境
谷歌Colab
Binder
本地安裝
繼續
第0章 可視化梯度下降
劇透
Jupyter Notebook
導入
可視化梯度下降
模型
數據生成
合成數據生成
訓練-驗證-測試拆分
第0步——隨機初始化
第1步——計算模型的預測
第2步——計算損失
損失面
橫截面
第3步——計算梯度
可視化梯度
反向傳播
第4步——更新參數
學習率
第5步——循環往復
梯度下降的路徑
回顧
第1章 一個簡單的回歸問題
劇透
Jupyter Notebook
導入
一個簡單的回歸問題
數據生成
合成數據生成
梯度下降
第0步——隨機初始化
第1步——計算模型的預測
第2步——計算損失
第3步——計算梯度
第4步——更新參數
第5步——循環往復
Numpy中的線性回歸
PyTorch
張量
加載數據、設備和CUDA
創建參數
Autograd
backward
grad
zero_
更新參數
no_grad
動態計算圖
優化器
step/zero_grad
損失
模型
參數
state_dict
設備
前向傳遞
訓練
嵌套模型
序列（Sequential）模型
層
歸納總結
數據準備
模型配置
模型訓練
回顧
第2章 重新思考訓練循環
劇透
Jupyter Notebook
導入
重新思考訓練循環
訓練步驟
Dataset
TensorDataset
DataLoader
小批量內循環
隨機拆分
評估
繪制損失
TensorBoard
在Notebook中運行
單獨運行（本地安裝）
單獨運行（Binder）
SummaryWriter
add_graph
add_scalars
保存和加載模型
模型狀態
保存
恢復訓練
部署/做出預測
設置模型的模式
歸納總結
回顧
第2.1章 追求優雅
劇透
Jupyter Notebook
導入
追求優雅
類
構造方法
訓練方法
保存和加載方法
可視化方法
完整代碼
典型的管道
模型訓練
做出預測
檢查點
恢復訓練
歸納總結
回顧
第3章 一個簡單的分類問題
劇透
Jupyter Notebook
導入
一個簡單的分類問題
數據生成
數據準備
模型
logit
概率
比值比（Odds Ratio）
對數比值比
從logit到概率
Sigmoid
邏輯斯蒂回歸
損失
BCELoss
BCEWithLogitsLoss
不平衡數據集
模型配置
模型訓練
決策邊界
分類閾值
混淆矩陣
指標
權衡和曲線
歸納總結
回顧
展開全部
PYTORCH深度學習指南:編程基礎 卷I 作者簡介
丹尼爾?沃格特?戈多伊是一名數據科學家、開發人員、作家和教師。自2016年以來，他一直在柏林歷史最悠久的訓練營Data Science Retreat講授機器學習和分布式計算技術，幫助數百名學生推進職業發展。
丹尼爾還是兩個Python軟件包——HandySpark和DeepReplay的主要貢獻者。
他擁有在多個行業20多年的工作經驗，這些行業包括銀行、政府、金融科技、零售和移動出行等。
書友推薦
- >
有舍有得是人生
- >
月亮與六便士
- >
唐代進士錄
- >
李白與唐代文化
- >
羅庸西南聯大授課錄
- >
詩經-先民的歌唱
- >
龍榆生：詞曲概論/大家小書
- >
新文學天穹兩巨星--魯迅與胡適/紅燭學術叢書(紅燭學術叢書)
本類暢銷
