幫助中心 | 我的帳號 | 關於我們
進階搜尋
car

同類熱銷排行榜

最近瀏覽的商品

PyTorch編程技術與深度學習

  • 作者：編者:袁梅宇|責編:魏瑩
  • 出版社：清華大學
  • ISBN：9787302602088
  • 出版日期：2022/06/01
  • 裝幀：平裝
  • 頁數：334
人民幣：RMB 89 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    本書講述深度學習的基本原理，使用PyTorch展示涉及的深度學習演算法。通過理論講解和編程操作，使讀者了解並掌握深度學習的原理和PyTorch編程技能，拉近理論與實踐的距離。全書共分9章，主要內容包括PyTorch介紹、PyTorch基礎編程、深度學習快速入門、神經網路訓練與優化、卷積神經網路原理、卷積神經網路示例、詞嵌入模型、循環神經網路原理、NLP示例。書中不但涵蓋成熟的卷積神經網路和循環神經網路的原理和示例，還包含一些新的如Transformer和知識蒸餾的內容。全書源代碼全部在Python 3.7.4+PyTorch 1.9.0版本上調試成功。
    本書適合深度學習和PyTorch編程人員作為入門和提高的技術參考書使用，也適合用作電腦專業高年級本科生和研究生的教材或教學參考書。
作者介紹
編者:袁梅宇|責編:魏瑩
目錄
第1章  PyTorch介紹
  1.1  深度學習與PyTorch簡介
    1.1.1  深度學習介紹
    1.1.2  PyTorch介紹
  1.2  PyTorch安裝
    1.2.1  Anaconda下載
    1.2.2  Windows下安裝PyTorch
    1.2.3  Linux Ubuntu下安裝PyTorch
    1.2.4  Anaconda管理
  1.3  常用數據集
    1.3.1  MNIST數據集
    1.3.2  Fashion-MNIST數據集
    1.3.3  CIFAR-10數據集
    1.3.4  Dogs vs. Cats數據集
    1.3.5  AG_NEWS數據集
    1.3.6  WikiText2數據集
    1.3.7  QIQC數據集
    1.3.8  Multi30k數據集
  習題
第2章  PyTorch基礎編程
  2.1  張量數據操作
    2.1.1  張量簡介
    2.1.2  張量操作
    2.1.3  廣播機制
    2.1.4  在GPU上使用Tensor
  2.2  自動求導
    2.2.1  自動求導概念
    2.2.2  自動求導示例
  2.3  數據集API
    2.3.1  自定義數據集類
    2.3.2  DataLoader類
  2.4  torchvision工具示例
    2.4.1  編寫簡單的圖像數據集
    2.4.2  Transforms模塊
    2.4.3  Normalize用法
    2.4.4  ImageFolder用法
  2.5  torchtext工具示例
    2.5.1  編寫文本預處理程序
    2.5.2  使用torchtext
  習題
第3章  深度學習快速入門
  3.1  線性回歸
    3.1.1  線性回歸介紹
    3.1.2  線性回歸實現
  3.2  使用nn模塊構建線性回歸模型
    3.2.1  使用nn.Linear訓練線性回歸模型
    3.2.2  使用nn.Sequential訓練線性回歸模型
    3.2.3  使用nn.Module訓練線性回歸模型
  3.3  邏輯回歸
    3.3.1  邏輯回歸介紹

    3.3.2  邏輯回歸實現
  3.4  Softmax回歸
    3.4.1  Softmax回歸介紹
    3.4.2  Softmax回歸實現
  3.5  神經網路
    3.5.1  神經元
    3.5.2  激活函數
    3.5.3  神經網路原理
    3.5.4  PyTorch神經網路編程
  習題
第4章  神經網路訓練與優化
  4.1  神經網路迭代概念
    4.1.1  訓練誤差與泛化誤差
    4.1.2  訓練集、驗證集和測試集劃分
    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
    4.2.3  Dropout
  4.3  優化演算法
    4.3.1  小批量梯度下降
    4.3.2  Momentum演算法
    4.3.3  RMSProp演算法
    4.3.4  Adam演算法
  4.4  PyTorch的初始化函數
    4.4.1  普通初始化
    4.4.2  Xavier初始化
    4.4.3  He初始化
  習題
第5章  卷積神經網路原理
  5.1  CNN介紹
    5.1.1  CNN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網路
    5.2.1  定義網路模型
    5.2.2  模型訓練
    5.2.3  模型評估
    5.2.4  主函數
  5.3  PyTorch實現LeNet-5網路
    5.3.1  LeNet-5介紹
    5.3.2  LeNet-5實現MNIST手寫數字識別
    5.3.3  LeNet-5實現CIFAR-10圖像識別
  習題
第6章  卷積神經網路示例
  6.1  經典CNN網路
    6.1.1  VGG
    6.1.2  ResNet
    6.1.3  Inception
    6.1.4  Xception

    6.1.5  ResNet代碼研讀
  6.2  使用預訓練的CNN
    6.2.1  特徵抽取
    6.2.2  微調
  6.3  知識蒸餾
    6.3.1  知識蒸餾原理
    6.3.2  知識蒸餾示例
  6.4  CNN可視化
    6.4.1  中間激活可視化
    6.4.2  過濾器可視化
  習題
第7章  詞嵌入模型
  7.1  詞嵌入模型介紹
    7.1.1  獨熱碼
    7.1.2  詞嵌入
  7.2  詞嵌入學習
    7.2.1  詞嵌入學習的動機
    7.2.2  Skip-Gram演算法
    7.2.3  CBOW演算法
    7.2.4  負採樣
    7.2.5  GloVe演算法
  7.3  Word2Vec演算法實現
    7.3.1  Skip-Gram實現
    7.3.2  CBOW實現
    7.3.3  負採樣Skip-Gram實現
  習題
第8章  循環神經網路原理
  8.1  RNN介紹
    8.1.1  有記憶的神經網路
    8.1.2  RNN用途
  8.2  基本RNN模型
    8.2.1  基本RNN原理
    8.2.2  基本RNN的訓練問題
    8.2.3  基本RNN編程
    8.2.4  基本RNN示例
  8.3  LSTM
    8.3.1  LSTM原理
    8.3.2  LSTM編程
  8.4  GRU
    8.4.1  GRU原理
    8.4.2  GRU編程
  8.5  注意力機制
    8.5.1  Seq2Seq模型的缺陷
    8.5.2  機器翻譯中的注意力機制
  8.6  Transformer模型
    8.6.1  編碼器
    8.6.2  多頭注意力層
    8.6.3  前向層
    8.6.4  位置編碼
    8.6.5  解碼器

    8.6.6  解碼器層
    8.6.7  Transformer的PyTorch實現
  習題
第9章  NLP示例
  9.1  情感分析
    9.1.1  AG NEWS示例
    9.1.2  Quora競賽示例
  9.2  語言模型
  9.3  文本序列數據生成
    9.3.1  向莎士比亞學寫詩
    9.3.2  神經機器翻譯
  習題
參考文獻

  • 商品搜索：
  • | 高級搜索
首頁│ 新手上路│ 客服中心│ 關於我們│ 聯絡我們│ Top↑│
Copyrightc 1999~2008 美商天龍國際圖書股份有限公司 臺灣分公司. All rights reserved.
營業地址:臺北市中正區重慶南路一段103號1F 105號1F-2F
讀者服務部電話：02-2381-2033 02-2381-1863　時間：週一-週五 10:00-17:00
　服務信箱：bookuu@69book.com 客戶、意見信箱:cs@69book.com
ICP證：浙B2-20060032