同類熱銷排行榜

最近瀏覽的商品

PyTorch實戰/人工智慧與大數據系列

作者：(印)阿施·拉賈漢·賈|責編:劉志紅|譯者:郭濤//孫雲華//王昭生//劉志紅
出版社：電子工業
ISBN：9787121475535

出版日期：2024/03/01
裝幀：平裝
頁數：406

人民幣：RMB 158 元售價：元

內容大鋼

本書以PyTorch作為深度學習框架，主要包括4部分。第1部分（第1、2章），主要概述PyTorch基礎知識與常見深度學習演算法實現，例如，CNN、LSTM，即CNN-LSTM；第2部分（第3?5章）高級神經網路實現，主要包括常見的深度學習網路結構，例如CNN、RNN及最新的Transformer等模型；第3部分（第6?9章）生成式AI和深度強化學習，主要包括GAN、GPT和DQN等演算法；第4部分（第10?14章）生產中PyTorch落地的幾個關鍵性主題，分散式訓練、自動機器學習管道構建和硬體快速部署。
本書內容翔實，以案例作為場景，通過PyTorch深度學習框架對AI演算法進行了實現，適合對人工智慧感興趣的高校教師、企業工程師及對AI演算法感興趣的技術人員和研究人員閱讀。

作者介紹

(印)阿施·拉賈漢·賈|責編:劉志紅|譯者:郭濤//孫雲華//王昭生//劉志紅

目錄

第1部分  PyTorch概述
第1章  使用PyTorch概述深度學習
  1.1  技術要求
  1.2  回顧深度學習
    1.2.1  激活函數
    1.2.2  優化模式
  1.3  探索PyTorch庫
    1.3.1  PyTorch模塊
    1.3.2  Tensor模塊
  1.4  使用PyTorch訓練神經網路
  1.5  總結
第2章  結合CNN和LSTM
  2.1  技術要求
  2.2  使用CNN和LSTM構建神經網路
  2.3  使用PyTorch構建圖像文字描述生成器
    2.3.1  下載圖像文字描述數據集
    2.3.2  預處理文字描述（文本）數據
    2.3.3  預處理圖像數據
    2.3.4  定義圖像文字描述數據載入器
    2.3.5  定義CNN-LSTM模型
    2.3.6  訓練CNN-LSTM模型
    2.3.7  使用已經訓練的模型生成圖像文字描述
  2.4  總結
第2部分  使用高級神經網路架構
第3章  深度CNN架構
  3.1  技術要求
  3.2  為什麼CNN如此強大？
  3.3  CNN架構的演變
  3.4  從零開始開發LeNet
    3.4.1  使用PyTorch構建LeNet
    3.4.2  訓練LeNet
    3.4.3  測試LeNet
  3.5  微調AlexNet模型
  3.6  運行預訓練的VGG模型
  3.7  探索GoogLeNet和Inceptionv3
    3.7.1  Inception模塊
    3.7.21  ×1卷積
    3.7.3  全局平均池化
    3.7.4  輔助分類器
    3.7.5  Inceptionv3
  3.8  討論ResNet和DenseNet架構
  3.9  了解EfficientNets和CNN架構的未來
  3.10  總結
第4章  深度循環模型架構
  4.1  技術要求
  4.2  探索循環網路的演變
    4.2.1  循環神經網路的類型
    4.2.2  RNN
    4.2.3  雙向RNN
    4.2.4  LSTM

    4.2.5  擴展和雙向LSTM
    4.2.6  多維RNN
    4.2.7  堆疊LSTM
    4.2.8  GRU
    4.2.9  GridLSTM
    4.2.10  門控正交循環單元
  4.3  訓練RNN進行情感分析
    4.3.1  載入和預處理文本數據集
    4.3.2  實例化和訓練模型
  4.4  構建雙向LSTM
    4.4.1  載入和預處理文本數據集
    4.4.2  實例化和訓練LSTM模型
  4.5  討論GRU和基於注意力的模型
    4.5.1  GRU和PyTorch
    4.5.2  基於注意力的模型
  4.6  總結
第5章  混合高級模型
  5.1  技術要求
  5.2  構建用於語言建模的Transformer模型
    5.2.1  回顧語言建模
    5.2.2  理解Transforms模型架構
  5.3  從頭開始開發RandWireNN模型
    5.3.1  理解RandWireNN
    5.3.2  使用PyTorch開發RandWireNN
  5.4  總結
第3部分  生成模型和深度強化學習
第6章  使用PyTorch生成音樂和文本
  6.1  技術要求
  6.2  使用PyTorch構建基於Transformer的文本生成器
    6.2.1  訓練基於Transformer的語言模型
    6.2.2  保存和載入語言模型
    6.2.3  使用語言模型生成文本
  6.3  使用預訓練的GPT-2模型作為文本生成器
    6.3.1  使用GPT-2生成便捷的文本
    6.3.2  使用PyTorch的文本生成策略
  6.4  使用PyTorch與LSTM生成MIDI音樂
    6.4.1  載入MIDI音樂數據
    6.4.2  定義LSTM模型和訓練常式
    6.4.3  訓練和測試音樂生成模型
  6.5  總結
第7章  神經風格轉移
  7.1  技術要求
  7.2  理解如何在圖像之間傳遞風格
  7.3  使用PyTorch實現神經風格遷移
    7.3.1  載入內容圖像和風格圖像
    7.3.2  構建神經風格遷移模型
    7.3.3  訓練風格遷移模型
    7.3.4  嘗試風格遷移系統
  7.4  總結
第8章  深度卷積GAN

  8.1  技術要求
  8.2  定義生成器和判別器網路
  8.3  使用PyTorch訓練DCGAN
    8.3.1  定義生成器
    8.3.2  定義判別器
    8.3.3  載入圖像數據集
    8.3.4  DCGAN的訓練循環
  8.4  使用GAN進行風格遷移
  8.5  總結
第9章  深度強化學習
  9.1  技術要求
  9.2  回顧強化學習概念
    9.2.1  強化學習演算法類型
  9.3  討論Q-學習
  9.4  理解深度Q-學習
    9.4.1  使用兩個獨立的DNN
    9.4.2  經驗回放緩衝器
  9.5  在PyTorch中構建DQN模型
    9.5.1  初始化主和目標CNN模型
    9.5.2  定義經驗回放緩衝區
    9.5.3  設置環境
    9.5.4  定義CNN優化函數
    9.5.5  管理和運行迭代
    9.5.6  訓練DQN模型以學習Pong
  9.6  總結
第4部分  生產系統中的PyTorch
第10章  將PyTorch模型投入生產中
  10.1  技術要求
  10.2  PyTorch中的模型服務
    10.2.1  創建PyTorch模型推理流水線
    10.2.2  構建基本模型伺服器
    10.2.3  創建模型微服務
  10.3  使用TorchServe為PyTorch模型提供服務
    10.3.1  安裝TorchServe
    10.3.2  啟動和使用TorchServe伺服器
  10.4  使用TorchScript和ONNX導出通用PyTorch模型
    10.4.1  了解TorchScript的功能
    10.4.2  使用TorchScript進行模型跟蹤
    10.4.3  使用TorchScript編寫模型腳本
    10.4.4  在C++中運行PyTorch模型
    10.4.5  使用ONNX導出PyTorch模型
  10.5  在雲端提供PyTorch模型
    10.5.1  將PyTorch與AWS結合使用
    10.5.2  在GoogleCloud上提供PyTorch模型
    10.5.3  使用Azure為PyTorch模型提供服務
  10.6  總結
參考資料
第11章  分散式訓練
  11.1  技術要求
  11.2  使用PyTorch進行分散式訓練

    11.2.1  以常規方式訓練MNIST模型
    11.2.2  以分散式方式訓練MNIST模型
  11.3  使用CUDA在GPU上進行分散式訓練
  11.4  總結
第12章  PyTorch和AutoML
  12.1  技術要求
  12.2  使用AutoML尋找最佳神經架構
  12.3  使用Optuna進行超參數搜索
  12.4  定義模型架構和載入數據集
    12.4.1  定義模型訓練常式和優化計劃
    12.4.2  運行Optuna的超參數搜索
  12.5  總結
第13章  PyTorch和AI可解釋
  13.1  技術要求
  13.2  PyTorch中的模型可解釋性
    13.2.1  訓練手寫數字分類器—回顧
    13.2.2  可視化模型的卷積過濾器
    13.2.3  可視化模型的特徵圖
  13.3  使用Captum解釋模型
    13.3.1  設置Captum
    13.3.2  探索Captum的可解釋性工具
  13.4  總結
第14章  使用PyTorch進行快速原型設計
  14.1  技術要求
  14.2  使用fast.ai快速設置模型訓練
    14.2.1  設置fast.ai並載入數據
    14.2.2  使用fast.ai訓練MNIST模型
    14.2.3  使用fast.ai評估和解釋模型
  14.3  在任何硬體上使用PyTorchLightning訓練模型
    14.3.1  在PyTorchLightning中定義模型組件
    14.3.2  使用PyTorchLightning訓練並評估模型
  14.4  總結

Δ訂單支付
付款方式
運費計算方式

Δ關於我們
關於美商天龍
聯絡我們

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