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
動手學Pytorch建模與應用 從深度學習到大模型 版權信息
- ISBN：9787302666592
- 條形碼：9787302666592 ; 978-7-302-66659-2
- 裝幀：平裝-膠訂
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
動手學Pytorch建模與應用 從深度學習到大模型 本書特色
《動手學PyTorch建模與應用：從深度學習到大模型》是一本講述以PyTorch為工具實踐深度學習和大模型的入門書，從數學知識和 基礎知識和概念入手講解，理論兼備實踐，語言通俗，圖文并茂，邊學邊練，非常易于掌握。
全書突出動手實操，精心設計了50個案例，包括19個解決實際問題的動手練習和31個上機演練，基本上每一種模型都先講解基礎知識，再配合實操案例，有助于讀者快速理解，所有上機演練都給出一操作步驟和參考代碼，有助于提高讀者的學習效率。
所有示例代碼本書都給出了詳細注釋和說明，可以大大降紙讀者理解代碼的困惑，同時在講解程序示例時輔以練習題。全書程序示例都免費提供完整的源代碼，讀者可以參照程序代碼直接上機實踐與練習。
《動手學PyTorch建模與應用:從深度學習到大模型》的內容也較為豐富，如涉及深度神經網絡、數值建模、圖像建模、文本建模、音頻建模、模型可視化以及當前熱點的大模型本地部署、預訓練與微調等內容，與時與時俱進，緊跟技術發展的步伐。
無論你是深度學習入門人員、科研人員、工程師，還是在校學生，只要你想學習PyTorch和深度學習，或轉型AI領域，《動手學PyTorch建模與應用:從深度學習到大模型》都將是你寶貴的入門參考。它不僅能夠幫助你從零開始學習PyTorch、深度學習和大模型，還能夠讓你學會如何使用PyTorch和深度學習去解決實際問題，而不僅僅是紙上談兵。
動手學Pytorch建模與應用 從深度學習到大模型 內容簡介
本書是一本從零基礎上手深度學習和大模型的PyTorch實戰指南。本書共11章，第1章主要介紹深度學習的概念、應用場景及開發環境搭建。第2章詳細介紹PyTorch數學基礎，包括函數、微分、數理統計、矩陣等基礎知識及其案例。第3章介紹數據預處理及常用工具，包括NumPy、Pandas、Matplotlib、數據清洗、特征工程以及深度學習解決問題的一般步驟等。第4章介紹PyTorch基礎知識，包括張量的創建、激活函數、損失函數、優化器等。第5章介紹PyTorch深度神經網絡，包括神經網絡概述、卷積神經網絡、循環神經網絡等。第6章介紹PyTorch數據建模，包括回歸分析、聚類分析、主成分分析、模型評估與調優等。第7~10章介紹PyTorch圖像建模、文本建模、音頻建模和模型可視化。第11章介紹大語言模型的原理、主要的大語言模型及模型本地化部署、預訓練與微調技術。本書還精心設計了50個動手案例和上機練習題，并對所有代碼進行了詳盡注釋和說明，同時提供數據集和配書資源文件，以幫助讀者更好地使用本書。
本書講解深入淺出，注重動手實操，特別適合想學習AI技術或想進入該領域的初學者，對深度學習感興趣的新手、在校學生和從業者閱讀，也很適合作為培訓機構和高校相關專業的教學用書。
動手學Pytorch建模與應用 從深度學習到大模型 目錄
第 1 章 深度學習和PyTorch概述 1
1.1 走進深度學習的世界 1
1.1.1 深度學習的發展歷史 1
1.1.2 深度學習框架PyTorch 3
1.1.3 深度學習的應用領域 4
1.2 搭建開發環境 5
1.2.1 安裝Python 3.12 5
1.2.2 安裝代碼開發工具Jupyter Lab 9
1.2.3 安裝PyTorch 2.2 10
1.3 PyTorch的應用場景 14
1.4 上機練習題 14
第 2 章 PyTorch數學基礎 17
2.1 PyTorch中的函數 17
2.1.1 函數的基礎知識 17
2.1.2 PyTorch中的主要函數 20
2.2 微分基礎 22
2.2.1 微分及其公式 22
2.2.2 PyTorch自動微分 24
2.3 數理統計基礎 29
2.3.1 數理統計及其指標 29
2.3.2 PyTorch統計函數 34
2.4 矩陣基礎 45
2.4.1 矩陣及其運算 45
2.4.2 PyTorch矩陣運算 47
2.5 動手練習：擬合余弦函數曲線 54
2.6 上機練習題 58
第 3 章 數據預處理及常用工具 62
3.1 NumPy 62
3.1.1 安裝和導入NumPy 62
3.1.2 NumPy的數據結構ndarray 63
3.1.3 NumPy的基本使用 63
3.2 Matplotlib 65
3.2.1 安裝和導入Matplotlib 65
3.2.2 Matplotlib的使用示例 66
3.3 數據清洗 70
3.3.1 數據清洗的作用 70
3.3.2 用Pandas進行數據清洗 71
3.4 特征工程 76
3.4.1 特征工程概述 76
3.4.2 使用Scikit-learn進行數據預處理 78
3.4.3 使用Pandas實現特征工程 81
3.5 深度學習解決問題的一般步驟 82
3.6 動手練習：每日*高溫度預測 84
3.7 上機練習題 90
第 4 章 PyTorch基礎知識 95
4.1 張量及其創建 95
4.1.1 張量及其數據類型 95
4.1.2 使用數組直接創建張量 96
4.1.3 使用概率分布創建張量 98
4.2 激活函數 99
4.2.1 激活函數及其必要性 99
4.2.2 Sigmoid激活函數 100
4.2.3 Tanh激活函數 101
4.2.4 ReLU激活函數 102
4.2.5 Leaky ReLU激活函數 103
4.2.6 其他類型的激活函數 104
4.3 損失函數 105
4.3.1 損失函數及其選取 106
4.3.2 L1范數損失函數 106
4.3.3 均方誤差損失函數 107
4.3.4 交叉熵損失函數 108
4.3.5 余弦相似度損失 109
4.3.6 其他損失函數 109
4.4 優化器 110
4.4.1 梯度及梯度下降算法 111
4.4.2 隨機梯度下降算法 112
4.4.3 標準動量優化算法 112
4.4.4 AdaGrad算法 113
4.4.5 RMSProp算法 113
4.4.6 Adam算法 114
4.5 動手練習：PyTorch優化器比較 114
4.6 上機練習題 119
第 5 章 PyTorch深度神經網絡 124
5.1 神經網絡概述 124
5.1.1 神經元模型 124
5.1.2 多層感知機 126
5.1.3 前饋神經網絡 128
5.2 卷積神經網絡 129
5.2.1 卷積神經網絡的歷史 129
5.2.2 卷積神經網絡的結構 130
5.2.3 卷積神經網絡的類型 131
5.3 循環神經網絡 134
5.3.1 簡單的循環神經網絡 134
5.3.2 長短期記憶網絡 136
5.3.3 門控循環單元 138
5.4 動手練習：股票成交量趨勢預測 139
5.5 上機練習題 148
第 6 章 PyTorch數據建模 152
6.1 回歸分析及案例 152
6.1.1 回歸分析簡介 152
6.1.2 回歸分析建模 153
6.1.3 動手練習：住房價格回歸預測 155
6.2 聚類分析及案例 160
6.2.1 聚類分析簡介 160
6.2.2 聚類分析建模 160
6.2.3 動手練習：植物花卉特征聚類 162
6.3 主成分分析及案例 165
6.3.1 主成分分析簡介 166
6.3.2 主成分分析建模 166
6.3.3 動手練習：地區競爭力指標降維 167
6.4 模型評估與調優 173
6.4.1 模型評估方法 173
6.4.2 模型調優方法 176
6.4.3 動手練習：PyTorch實現交叉驗證 178
6.5 上機練習題 187
第 7 章 PyTorch圖像建模 190
7.1 圖像建模概述 190
7.1.1 圖像分類技術 190
7.1.2 圖像識別技術 191
7.1.3 圖像分割技術 192
7.2 動手練習：創建圖像自動分類器 193
7.2.1 加載數據集 193
7.2.2 搭建網絡模型 194
7.2.3 訓練網絡模型 195
7.2.4 應用網絡模型 196
7.3 動手練習：搭建圖像自動識別模型 198
7.3.1 加載數據集 198
7.3.2 搭建與訓練網絡 200
7.3.3 預測圖像數據 202
7.3.4 圖像識別模型的判斷 202
7.4 動手練習：搭建圖像自動分割模型 204
7.4.1 加載數據集 205
7.4.2 搭建網絡模型 206
7.4.3 訓練網絡模型 209
7.4.4 應用網絡模型 210
7.5 上機練習題 212
第 8 章 PyTorch文本建模 220
8.1 自然語言處理的幾個模型 220
8.1.1 Word2Vec模型 220
8.1.2 Seq2Seq模型 221
8.1.3 Attention模型 222
8.2 動手練習：Word2Vec提取相似文本 223
8.2.1 加載數據集 223
8.2.2 搭建網絡模型 227
8.2.3 訓練網絡模型 228
8.2.4 應用網絡模型 230
8.3 動手練習：Seq2Seq實現機器翻譯 231
8.3.1 加載數據集 231
8.3.2 搭建網絡模型 237
8.3.3 訓練網絡模型 240
8.3.4 應用網絡模型 242
8.4 動手練習：Attention模型實現文本自動分類 244
8.4.1 加載數據集 244
8.4.2 搭建網絡模型 246
8.4.3 訓練網絡模型 247
8.4.4 應用網絡模型 251
8.5 上機練習題 251
第 9 章 PyTorch音頻建模 258
9.1 音頻處理技術及應用 258
9.1.1 音頻處理技術 258
9.1.2 音視頻摘要技術及其應用 259
9.1.3 音頻識別及應用 260
9.1.4 音頻監控及應用 261
9.1.5 場景感知及應用 261
9.2 梅爾頻率倒譜系數音頻特征 262
9.2.1 梅爾頻率倒譜系數簡介及參數的提取過程 262
9.2.2 音頻預處理 263
9.2.3 快速傅里葉變換 264
9.2.4 能量譜處理 264
9.2.5 離散余弦轉換 265
9.3 PyTorch音頻建模技術 266
9.3.1 加載音頻數據源 266
9.3.2 波形變換的類型 267
9.3.3 繪制波形頻譜圖 268
9.3.4 波形Mu-Law編碼 270
9.3.5 變換前后波形的比較 272
9.4 動手練習：音頻相似度分析 273
9.5 上機練習題 276
第 10 章 PyTorch模型可視化 278
10.1 Visdom 278
10.1.1 Visdom簡介 278
10.1.2 Visdom可視化操作 280
10.1.3 動手練習：識別手寫數字 296
10.2 TensorBoard 301
10.2.1 TensorBoard簡介 301
10.2.2 TensorBoard基礎操作 303
10.2.3 動手練習：可視化模型參數 312
10.3 Pytorchviz 314
10.3.1 Pytorchviz簡介 314
10.3.2 動手練習：Pytorchviz建模可視化 314
10.4 Netron 317
10.4.1 Netron簡介 317
10.4.2 動手練習：Netron建？梢暬 317
10.5 上機練習題 321
第 11 章 從深度學習到大語言模型 323
11.1 大語言模型的原理 323
11.1.1 大語言模型簡介 323
11.1.2 Transformer架構 324
11.1.3 注意力機制 327
11.2 主要的大語言模型 331
11.2.1 ChatGPT及其API調用 331
11.2.2 文心一言及其插件開發 334
11.2.3 ChatGLM及其本地部署 338
11.3 模型預訓練與微調 350
11.3.1 大模型預訓練 350
11.3.2 大模型微調技術 353
11.4 上機練習題 361
參考文獻 363
1.1 走進深度學習的世界 1
1.1.1 深度學習的發展歷史 1
1.1.2 深度學習框架PyTorch 3
1.1.3 深度學習的應用領域 4
1.2 搭建開發環境 5
1.2.1 安裝Python 3.12 5
1.2.2 安裝代碼開發工具Jupyter Lab 9
1.2.3 安裝PyTorch 2.2 10
1.3 PyTorch的應用場景 14
1.4 上機練習題 14
第 2 章 PyTorch數學基礎 17
2.1 PyTorch中的函數 17
2.1.1 函數的基礎知識 17
2.1.2 PyTorch中的主要函數 20
2.2 微分基礎 22
2.2.1 微分及其公式 22
2.2.2 PyTorch自動微分 24
2.3 數理統計基礎 29
2.3.1 數理統計及其指標 29
2.3.2 PyTorch統計函數 34
2.4 矩陣基礎 45
2.4.1 矩陣及其運算 45
2.4.2 PyTorch矩陣運算 47
2.5 動手練習：擬合余弦函數曲線 54
2.6 上機練習題 58
第 3 章 數據預處理及常用工具 62
3.1 NumPy 62
3.1.1 安裝和導入NumPy 62
3.1.2 NumPy的數據結構ndarray 63
3.1.3 NumPy的基本使用 63
3.2 Matplotlib 65
3.2.1 安裝和導入Matplotlib 65
3.2.2 Matplotlib的使用示例 66
3.3 數據清洗 70
3.3.1 數據清洗的作用 70
3.3.2 用Pandas進行數據清洗 71
3.4 特征工程 76
3.4.1 特征工程概述 76
3.4.2 使用Scikit-learn進行數據預處理 78
3.4.3 使用Pandas實現特征工程 81
3.5 深度學習解決問題的一般步驟 82
3.6 動手練習：每日*高溫度預測 84
3.7 上機練習題 90
第 4 章 PyTorch基礎知識 95
4.1 張量及其創建 95
4.1.1 張量及其數據類型 95
4.1.2 使用數組直接創建張量 96
4.1.3 使用概率分布創建張量 98
4.2 激活函數 99
4.2.1 激活函數及其必要性 99
4.2.2 Sigmoid激活函數 100
4.2.3 Tanh激活函數 101
4.2.4 ReLU激活函數 102
4.2.5 Leaky ReLU激活函數 103
4.2.6 其他類型的激活函數 104
4.3 損失函數 105
4.3.1 損失函數及其選取 106
4.3.2 L1范數損失函數 106
4.3.3 均方誤差損失函數 107
4.3.4 交叉熵損失函數 108
4.3.5 余弦相似度損失 109
4.3.6 其他損失函數 109
4.4 優化器 110
4.4.1 梯度及梯度下降算法 111
4.4.2 隨機梯度下降算法 112
4.4.3 標準動量優化算法 112
4.4.4 AdaGrad算法 113
4.4.5 RMSProp算法 113
4.4.6 Adam算法 114
4.5 動手練習：PyTorch優化器比較 114
4.6 上機練習題 119
第 5 章 PyTorch深度神經網絡 124
5.1 神經網絡概述 124
5.1.1 神經元模型 124
5.1.2 多層感知機 126
5.1.3 前饋神經網絡 128
5.2 卷積神經網絡 129
5.2.1 卷積神經網絡的歷史 129
5.2.2 卷積神經網絡的結構 130
5.2.3 卷積神經網絡的類型 131
5.3 循環神經網絡 134
5.3.1 簡單的循環神經網絡 134
5.3.2 長短期記憶網絡 136
5.3.3 門控循環單元 138
5.4 動手練習：股票成交量趨勢預測 139
5.5 上機練習題 148
第 6 章 PyTorch數據建模 152
6.1 回歸分析及案例 152
6.1.1 回歸分析簡介 152
6.1.2 回歸分析建模 153
6.1.3 動手練習：住房價格回歸預測 155
6.2 聚類分析及案例 160
6.2.1 聚類分析簡介 160
6.2.2 聚類分析建模 160
6.2.3 動手練習：植物花卉特征聚類 162
6.3 主成分分析及案例 165
6.3.1 主成分分析簡介 166
6.3.2 主成分分析建模 166
6.3.3 動手練習：地區競爭力指標降維 167
6.4 模型評估與調優 173
6.4.1 模型評估方法 173
6.4.2 模型調優方法 176
6.4.3 動手練習：PyTorch實現交叉驗證 178
6.5 上機練習題 187
第 7 章 PyTorch圖像建模 190
7.1 圖像建模概述 190
7.1.1 圖像分類技術 190
7.1.2 圖像識別技術 191
7.1.3 圖像分割技術 192
7.2 動手練習：創建圖像自動分類器 193
7.2.1 加載數據集 193
7.2.2 搭建網絡模型 194
7.2.3 訓練網絡模型 195
7.2.4 應用網絡模型 196
7.3 動手練習：搭建圖像自動識別模型 198
7.3.1 加載數據集 198
7.3.2 搭建與訓練網絡 200
7.3.3 預測圖像數據 202
7.3.4 圖像識別模型的判斷 202
7.4 動手練習：搭建圖像自動分割模型 204
7.4.1 加載數據集 205
7.4.2 搭建網絡模型 206
7.4.3 訓練網絡模型 209
7.4.4 應用網絡模型 210
7.5 上機練習題 212
第 8 章 PyTorch文本建模 220
8.1 自然語言處理的幾個模型 220
8.1.1 Word2Vec模型 220
8.1.2 Seq2Seq模型 221
8.1.3 Attention模型 222
8.2 動手練習：Word2Vec提取相似文本 223
8.2.1 加載數據集 223
8.2.2 搭建網絡模型 227
8.2.3 訓練網絡模型 228
8.2.4 應用網絡模型 230
8.3 動手練習：Seq2Seq實現機器翻譯 231
8.3.1 加載數據集 231
8.3.2 搭建網絡模型 237
8.3.3 訓練網絡模型 240
8.3.4 應用網絡模型 242
8.4 動手練習：Attention模型實現文本自動分類 244
8.4.1 加載數據集 244
8.4.2 搭建網絡模型 246
8.4.3 訓練網絡模型 247
8.4.4 應用網絡模型 251
8.5 上機練習題 251
第 9 章 PyTorch音頻建模 258
9.1 音頻處理技術及應用 258
9.1.1 音頻處理技術 258
9.1.2 音視頻摘要技術及其應用 259
9.1.3 音頻識別及應用 260
9.1.4 音頻監控及應用 261
9.1.5 場景感知及應用 261
9.2 梅爾頻率倒譜系數音頻特征 262
9.2.1 梅爾頻率倒譜系數簡介及參數的提取過程 262
9.2.2 音頻預處理 263
9.2.3 快速傅里葉變換 264
9.2.4 能量譜處理 264
9.2.5 離散余弦轉換 265
9.3 PyTorch音頻建模技術 266
9.3.1 加載音頻數據源 266
9.3.2 波形變換的類型 267
9.3.3 繪制波形頻譜圖 268
9.3.4 波形Mu-Law編碼 270
9.3.5 變換前后波形的比較 272
9.4 動手練習：音頻相似度分析 273
9.5 上機練習題 276
第 10 章 PyTorch模型可視化 278
10.1 Visdom 278
10.1.1 Visdom簡介 278
10.1.2 Visdom可視化操作 280
10.1.3 動手練習：識別手寫數字 296
10.2 TensorBoard 301
10.2.1 TensorBoard簡介 301
10.2.2 TensorBoard基礎操作 303
10.2.3 動手練習：可視化模型參數 312
10.3 Pytorchviz 314
10.3.1 Pytorchviz簡介 314
10.3.2 動手練習：Pytorchviz建模可視化 314
10.4 Netron 317
10.4.1 Netron簡介 317
10.4.2 動手練習：Netron建？梢暬 317
10.5 上機練習題 321
第 11 章 從深度學習到大語言模型 323
11.1 大語言模型的原理 323
11.1.1 大語言模型簡介 323
11.1.2 Transformer架構 324
11.1.3 注意力機制 327
11.2 主要的大語言模型 331
11.2.1 ChatGPT及其API調用 331
11.2.2 文心一言及其插件開發 334
11.2.3 ChatGLM及其本地部署 338
11.3 模型預訓練與微調 350
11.3.1 大模型預訓練 350
11.3.2 大模型微調技術 353
11.4 上機練習題 361
參考文獻 363
展開全部
動手學Pytorch建模與應用 從深度學習到大模型 作者簡介
王國平，畢業于上海海洋大學，碩士，從業10余年，主要從事數據可視化、數據挖掘和大數據分析與研究等工作。精通數據挖掘技術與相關軟件工具，包括Tableau、SPSS、PyTorch、Power Bl等，已出版《IBM SPSS Modeler數據與文本挖掘實戰》《Microsoft Power Bl數據可視化與數據分析》《Tableau數據可視化從入門到精通》《零基礎入門Python數據分析與機器學習》等圖書。
書友推薦
- >
隨園食單
- >
我與地壇
- >
朝聞道
- >
推拿
- >
羅庸西南聯大授課錄
- >
龍榆生：詞曲概論/大家小書
- >
自卑與超越
- >
小考拉的故事-套裝共3冊
本類暢銷
