123,123

內(nèi)容簡(jiǎn)介

　　深度學(xué)習(xí)如今已經(jīng)成為了科技領(lǐng)域*炙手可熱的技術(shù)，在本書(shū)中，我們將幫助你入門(mén)深度學(xué)習(xí)的領(lǐng)域。本書(shū)將從人工智能的介紹入手，了解機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的基礎(chǔ)理論，并學(xué)習(xí)如何用PyTorch框架對(duì)模型進(jìn)行搭建。通過(guò)閱讀本書(shū)，你將會(huì)學(xué)習(xí)到機(jī)器學(xué)習(xí)中的線性回歸和logistic回歸，深度學(xué)習(xí)的優(yōu)化方法，多層全連接神經(jīng)網(wǎng)絡(luò)，卷積神經(jīng)網(wǎng)絡(luò)，循環(huán)神經(jīng)網(wǎng)絡(luò)以及生成對(duì)抗網(wǎng)絡(luò)，同時(shí)從零開(kāi)始對(duì)PyTorch進(jìn)行學(xué)習(xí)，了解PyTorch基礎(chǔ)及如何用其進(jìn)行模型的搭建，*后通過(guò)實(shí)戰(zhàn)了解*前沿的研究成果和PyTorch在實(shí)際項(xiàng)目中的應(yīng)用。

作者簡(jiǎn)介

　　廖星宇，目前就讀于中國(guó)科學(xué)技術(shù)大學(xué)應(yīng)用數(shù)學(xué)系，獲得國(guó)家一等獎(jiǎng)學(xué)金。在個(gè)人博客、知乎等平臺(tái)上發(fā)布多篇關(guān)于深度學(xué)習(xí)的文章，具有一定的閱讀量和人氣。

圖書(shū)目錄

第1 章深度學(xué)習(xí)介紹1
1．1 人工智能．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 1
1．2 數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)與深度學(xué)習(xí)．．．．．．．．．．．．．．．．．．．．．．． 2
1．2．1 數(shù)據(jù)挖掘．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 3
1．2．2 機(jī)器學(xué)習(xí)．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 3
1．2．3 深度學(xué)習(xí)．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 4
1．3 學(xué)習(xí)資源與建議．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 8
第2 章深度學(xué)習(xí)框架11
2．1 深度學(xué)習(xí)框架介紹．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 11
2．2 PyTorch 介紹．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 13
2．2．1 什么是PyTorch ．．．．．．．．．．．．．．．．．．．．．．．．．．．． 13
2．2．2 為何要使用PyTorch ．．．．．．．．．．．．．．．．．．．．．．．．．． 14
2．3 配置PyTorch 深度學(xué)習(xí)環(huán)境．．．．．．．．．．．．．．．．．．．．．．．．．． 15
2．3．1 操作系統(tǒng)的選擇．．．．．．．．．．．．．．．．．．．．．．．．．．．． 15
2．3．2 Python 開(kāi)發(fā)環(huán)境的安裝．．．．．．．．．．．．．．．．．．．．．．．． 16
2．3．3 PyTorch 的安裝．．．．．．．．．．．．．．．．．．．．．．．．．．．． 18
第3 章多層全連接神經(jīng)網(wǎng)絡(luò)24
3．1 熱身：PyTorch 基礎(chǔ)．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 24
3．1．1 Tensor（張量）．．．．．．．．．．．．．．．．．．．．．．．．．．．． 24
3．1．2 Variable（變量）．．．．．．．．．．．．．．．．．．．．．．．．．．． 26
3．1．3 Dataset（數(shù)據(jù)集）．．．．．．．．．．．．．．．．．．．．．．．．．．． 28
3．1．4 nn．Module（模組）．．．．．．．．．．．．．．．．．．．．．．．．．． 29
3．1．5 torch．optim（優(yōu)化）．．．．．．．．．．．．．．．．．．．．．．．．．． 30
3．1．6 模型的保存和加載．．．．．．．．．．．．．．．．．．．．．．．．．． 31
3．2 線性模型．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 32
3．2．1 問(wèn)題介紹．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 32
3．2．2 一維線性回歸．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 33
3．2．3 多維線性回歸．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 34
3．2．4 一維線性回歸的代碼實(shí)現(xiàn)．．．．．．．．．．．．．．．．．．．．．． 35
3．2．5 多項(xiàng)式回歸．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 38
3．3 分類(lèi)問(wèn)題．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 42
3．3．1 問(wèn)題介紹．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 42
3．3．2 Logistic 起源．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 42
3．3．3 Logistic 分布．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 42
3．3．4 二分類(lèi)的Logistic 回歸．．．．．．．．．．．．．．．．．．．．．．．． 43
3．3．5 模型的參數(shù)估計(jì)．．．．．．．．．．．．．．．．．．．．．．．．．．．． 44
3．3．6 Logistic 回歸的代碼實(shí)現(xiàn)．．．．．．．．．．．．．．．．．．．．．．． 45
3．4 簡(jiǎn)單的多層全連接前向網(wǎng)絡(luò)．．．．．．．．．．．．．．．．．．．．．．．．． 49
3．4．1 模擬神經(jīng)元．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 49
3．4．2 單層神經(jīng)網(wǎng)絡(luò)的分類(lèi)器．．．．．．．．．．．．．．．．．．．．．．．． 50
3．4．3 激活函數(shù)．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 51
3．4．4 神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)．．．．．．．．．．．．．．．．．．．．．．．．．．．． 54
3．4．5 模型的表示能力與容量．．．．．．．．．．．．．．．．．．．．．．．． 55
3．5 深度學(xué)習(xí)的基石：反向傳播算法．．．．．．．．．．．．．．．．．．．．．．． 57
3．5．1 鏈?zhǔn)椒▌t．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 57
3．5．2 反向傳播算法．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 58
3．5．3 Sigmoid 函數(shù)舉例．．．．．．．．．．．．．．．．．．．．．．．．．．． 58
3．6 各種優(yōu)化算法的變式．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 59
3．6．1 梯度下降法．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 59
3．6．2 梯度下降法的變式．．．．．．．．．．．．．．．．．．．．．．．．．． 62
3．7 處理數(shù)據(jù)和訓(xùn)練模型的技巧．．．．．．．．．．．．．．．．．．．．．．．．． 64
3．7．1 數(shù)據(jù)預(yù)處理．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 64
3．7．2 權(quán)重初始化．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 66
3．7．3 防止過(guò)擬合．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 67
3．8 多層全連接神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)MNIST 手寫(xiě)數(shù)字分類(lèi)．．．．．．．．．．．．．． 69
3．8．1 簡(jiǎn)單的三層全連接神經(jīng)網(wǎng)絡(luò)．．．．．．．．．．．．．．．．．．．．． 70
3．8．2 添加激活函數(shù)．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 70
3．8．3 添加批標(biāo)準(zhǔn)化．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 71
3．8．4 訓(xùn)練網(wǎng)絡(luò)．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 71
第4 章卷積神經(jīng)網(wǎng)絡(luò)76
4．1 主要任務(wù)及起源．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 76
4．2 卷積神經(jīng)網(wǎng)絡(luò)的原理和結(jié)構(gòu)．．．．．．．．．．．．．．．．．．．．．．．．． 77
4．2．1 卷積層．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 80
4．2．2 池化層．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 84
4．2．3 全連接層．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 85
4．2．4 卷積神經(jīng)網(wǎng)絡(luò)的基本形式．．．．．．．．．．．．．．．．．．．．．． 85
4．3 PyTorch 卷積模塊．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 87
4．3．1 卷積層．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 87
4．3．2 池化層．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 88
4．3．3 提取層結(jié)構(gòu)．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 90
4．3．4 如何提取參數(shù)及自定義初始化．．．．．．．．．．．．．．．．．．．． 91
4．4 卷積神經(jīng)網(wǎng)絡(luò)案例分析．．．．．．．．．．．．．．．．．．．．．．．．．．．． 92
4．4．1 LeNet ．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 93
4．4．2 AlexNet ．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 94
4．4．3 VGGNet ．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 95
4．4．4 GoogLeNet ．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 98
4．4．5 ResNet ．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 100
4．5 再實(shí)現(xiàn)MNIST 手寫(xiě)數(shù)字分類(lèi)．．．．．．．．．．．．．．．．．．．．．．．．． 103
4．6 圖像增強(qiáng)的方法．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 105
4．7 實(shí)現(xiàn)cifar10 分類(lèi)．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 107
第5 章循環(huán)神經(jīng)網(wǎng)絡(luò)111
5．1 循環(huán)神經(jīng)網(wǎng)絡(luò)．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 111
5．1．1 問(wèn)題介紹．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 112
5．1．2 循環(huán)神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)．．．．．．．．．．．．．．．．．．．．．． 112
5．1．3 存在的問(wèn)題．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 115
5．2 循環(huán)神經(jīng)網(wǎng)絡(luò)的變式：LSTM 與GRU ．．．．．．．．．．．．．．．．．．．． 116
5．2．1 LSTM ．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 116
5．2．2 GRU ．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 119
5．2．3 收斂性問(wèn)題．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 120
5．3 循環(huán)神經(jīng)網(wǎng)絡(luò)的PyTorch 實(shí)現(xiàn)．．．．．．．．．．．．．．．．．．．．．．．． 122
5．3．1 PyTorch 的循環(huán)網(wǎng)絡(luò)模塊．．．．．．．．．．．．．．．．．．．．．．． 122
5．3．2 實(shí)例介紹．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 127
5．4 自然語(yǔ)言處理的應(yīng)用．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 131
5．4．1 詞嵌入．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 131
5．4．2 詞嵌入的PyTorch 實(shí)現(xiàn)．．．．．．．．．．．．．．．．．．．．．．．． 133
5．4．3 N Gram 模型．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 133
5．4．4 單詞預(yù)測(cè)的PyTorch 實(shí)現(xiàn)．．．．．．．．．．．．．．．．．．．．．．． 134
5．4．5 詞性判斷．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 136
5．4．6 詞性判斷的PyTorch 實(shí)現(xiàn)．．．．．．．．．．．．．．．．．．．．．．． 137
5．5 循環(huán)神經(jīng)網(wǎng)絡(luò)的更多應(yīng)用．．．．．．．．．．．．．．．．．．．．．．．．．．． 140
5．5．1 Many to one ．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 140
5．5．2 Many to Many（shorter）．．．．．．．．．．．．．．．．．．．．．．． 141
5．5．3 Seq2seq ．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 141
5．5．4 CNN+RNN ．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 142
第6 章生成對(duì)抗網(wǎng)絡(luò)144
6．1 生成模型．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 144
6．1．1 自動(dòng)編碼器．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 145
6．1．2 變分自動(dòng)編碼器．．．．．．．．．．．．．．．．．．．．．．．．．．．． 150
6．2 生成對(duì)抗網(wǎng)絡(luò)．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 153
6．2．1 何為生成對(duì)抗網(wǎng)絡(luò)．．．．．．．．．．．．．．．．．．．．．．．．．． 153
6．2．2 生成對(duì)抗網(wǎng)絡(luò)的數(shù)學(xué)原理．．．．．．．．．．．．．．．．．．．．．． 160
6．3 Improving GAN ．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 164
6．3．1 Wasserstein GAN ．．．．．．．．．．．．．．．．．．．．．．．．．．．． 164
6．3．2 Improving WGAN ．．．．．．．．．．．．．．．．．．．．．．．．．．． 167
6．4 應(yīng)用介紹．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 168
6．4．1 Conditional GAN ．．．．．．．．．．．．．．．．．．．．．．．．．．．． 168
6．4．2 Cycle GAN ．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 170
第7 章深度學(xué)習(xí)實(shí)戰(zhàn)173
7．1 實(shí)例一――貓狗大戰(zhàn)：運(yùn)用預(yù)訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行特征提取與預(yù)測(cè)． 173
7．1．1 背景介紹．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 174
7．1．2 原理分析．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 174
7．1．3 代碼實(shí)現(xiàn)．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 177
7．1．4 總結(jié)．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 183
7．2 實(shí)例二――Deep Dream：探索卷積神經(jīng)網(wǎng)絡(luò)眼中的世界．．．．．．．．． 183
7．2．1 原理介紹．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 184
7．2．2 預(yù)備知識(shí)：backward ．．．．．．．．．．．．．．．．．．．．．．．．． 185
7．2．3 代碼實(shí)現(xiàn)．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 190
7．2．4 總結(jié)．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 195
7．3 實(shí)例三――Neural-Style：使用PyTorch 進(jìn)行風(fēng)格遷移．．．．．．．．．．． 196
7．3．1 背景介紹．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 196
7．3．2 原理分析．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 197
7．3．3 代碼實(shí)現(xiàn)．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 199
7．3．4 總結(jié)．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 205
7．4 實(shí)例四――Seq2seq：通過(guò)RNN 實(shí)現(xiàn)簡(jiǎn)單的Neural Machine Translation ． 205
7．4．1 背景介紹．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 206
7．4．2 原理分析．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 206
7．4．3 代碼實(shí)現(xiàn)．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 209
7．4．4 總結(jié)．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 221

作　者：	廖星宇著
出版社：	電子工業(yè)出版社
叢編項(xiàng)：	博文視點(diǎn)AI系列
標(biāo)　簽：	計(jì)算機(jī)/網(wǎng)絡(luò) 人工智能

ISBN：	9787121326202	出版時(shí)間：	2017-09-01	包裝：	平裝
開(kāi)本：	16開(kāi)	頁(yè)數(shù)：	232	字?jǐn)?shù)：

深度學(xué)習(xí)入門(mén)之PyTorch

購(gòu)買(mǎi)這本書(shū)可以去

內(nèi)容簡(jiǎn)介

作者簡(jiǎn)介

圖書(shū)目錄

本目錄推薦

機(jī)器人學(xué)基礎(chǔ)及應(yīng)用技術(shù)

極簡(jiǎn)ChatGPT：如何利用AI提高辦…

計(jì)算思維與人工智能導(dǎo)論

深度學(xué)習(xí)之圖像識(shí)別：核心算法與…

工業(yè)機(jī)器人機(jī)械基礎(chǔ)一體化教程

編碼理論導(dǎo)論第3版

組學(xué)機(jī)器學(xué)習(xí)

掌控AI進(jìn)階之路

機(jī)器學(xué)習(xí)的算法分析和實(shí)踐

AI時(shí)代架構(gòu)師修煉之道：ChatGPT…