PyTorch深度學習簡明實戰(zhàn)

定　價：￥89.80

作　者：	日月光華著
出版社：	清華大學出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

ISBN：	9787302619840	出版時間：	2022-10-01	包裝：	平裝
開本：	16開	頁數(shù)：	252	字數(shù)：

內(nèi)容簡介

　　本書針對深度學習及開源框架——PyTorch，采用簡明的語言進行知識的講解，注重實戰(zhàn)。全書分為4篇，共19章。深度學習基礎篇（第1章~第6章）包括PyTorch簡介與安裝、機器學習基礎與線性回歸、張量與數(shù)據(jù)類型、分類問題與多層感知器、多層感知器模型與模型訓練、梯度下降法、反向傳播算法與內(nèi)置優(yōu)化器。計算機視覺篇（第7章~第14章）包括計算機視覺與卷積神經(jīng)網(wǎng)絡、卷積入門實例、圖像讀取與模型保存、多分類問題與卷積模型的優(yōu)化、遷移學習與數(shù)據(jù)增強、經(jīng)典網(wǎng)絡模型與特征提取、圖像定位基礎、圖像語義分割。自然語言處理和序列篇（第15章~第17章）包括文本分類與詞嵌入、循環(huán)神經(jīng)網(wǎng)絡與一維卷積神經(jīng)網(wǎng)絡、序列預測實例。生成對抗網(wǎng)絡和目標檢測篇（第18章~第19章）包括生成對抗網(wǎng)絡、目標檢測。本書適合人工智能行業(yè)的軟件工程師、對人工智能感興趣的學生學習，同時也可作為深度學習的培訓教程。

作者簡介

　　日月光華：網(wǎng)易云課堂資深講師，經(jīng)驗豐富的數(shù)據(jù)科學家和深度學習算法工程師。擅長使用Python編程，編寫爬蟲并利用Python進行數(shù)據(jù)分析和可視化。對機器學習和深度學習有深入理解，熟悉常見的深度學習框架（ PyTorch、TensorFlow）和模型，有豐富的深度學習、數(shù)據(jù)分析和爬蟲等開發(fā)經(jīng)驗，著有暢銷書《Python網(wǎng)絡爬蟲實例教程（視頻講解版）》。

圖書目錄

目錄
第1篇深度學習基礎篇
第1 章 PyTorch 簡介與安裝 ................. 2
1.1 PyTorch 簡介 ................................... 2
1.2 PyTorch 的主要應用 ....................... 3
1.3 PyTorch 安裝 ................................... 4
1.3.1 CPU 版本PyTorch 安裝 ..................... 5
1.3.2 GPU 版本PyTorch 安裝 ..................... 6
1.3.3 安裝輔助庫和安裝測試 ...................... 7
1.4 本章小結 ....................................... 10
第2 章機器學習基礎與線性回歸 ....... 11
2.1 機器學習基礎 ............................... 11
2.2 線性回歸 ....................................... 12
2.3 本章小結 ....................................... 18
第3 章張量與數(shù)據(jù)類型 ...................... 19
3.1 PyTorch 張量 ................................. 19
3.1.1 初始化張量 ....................................... 19
3.1.2 張量類型 ........................................... 20
3.1.3 創(chuàng)建隨機值張量 ............................... 21
3.1.4 張量屬性 ........................................... 22
3.1.5 將張量移動到顯存 ........................... 22
3.2 張量運算 ....................................... 23
3.2.1 與NumPy 數(shù)據(jù)類型的轉(zhuǎn)換 ............. 24
3.2.2 張量的變形 ....................................... 24
3.3 張量的自動微分 ............................ 25
3.4 本章小結 ........................................ 26
第4 章分類問題與多層感知器 ........... 27
4.1 torchvision 庫 ................................. 27
4.2 加載內(nèi)置圖片數(shù)據(jù)集 .................... 27
4.3 多層感知器 .................................... 30
4.4 激活函數(shù) ........................................ 33
4.4.1 ReLU 激活函數(shù) ................................ 33
4.4.2 Sigmoid 激活函數(shù) ............................. 34
4.4.3 Tanh 激活函數(shù) .................................. 35
4.4.4 LeakyReLU 激活函數(shù) ....................... 36
4.5 本章小結 ........................................ 37
第5 章多層感知器模型與模型訓練 .... 38
5.1 多層感知器模型 ............................ 38
5.2 損失函數(shù) ........................................ 40
5.3 優(yōu)化器 ............................................ 41
5.4 初始化模型 .................................... 42
5.5 編寫訓練循環(huán) ................................ 42
5.6 本章小結 ........................................ 46
第6 章梯度下降法、反向傳播算法與內(nèi)置優(yōu)化器 ......................... 47
6.1 梯度下降法 .................................... 47
6.2 反向傳播算法 ............................... 49
6.3 PyTorch 內(nèi)置的優(yōu)化器 ................. 50
6.3.1 SGD 優(yōu)化器 ...................................... 51
6.3.2 RMSprop 優(yōu)化器 .............................. 51
6.3.3 Adam 優(yōu)化器 .................................... 51
6.4 本章小結 ........................................ 52
第2 篇計算機視覺篇
第7 章計算機視覺與卷積神經(jīng)網(wǎng)絡 .... 54
7.1 什么是卷積神經(jīng)網(wǎng)絡 ................... 54
7.2 池化層 ........................................... 57
7.3 卷積神經(jīng)網(wǎng)絡的整體架構 ............ 59
7.4 本章小結 ....................................... 60
第8 章卷積入門實例 ......................... 61
8.1 數(shù)據(jù)輸入 ....................................... 61
8.2 創(chuàng)建卷積模型并訓練 ................... 62
8.3 函數(shù)式API .................................... 66
8.4 超參數(shù)選擇 ................................... 67
8.5 本章小結 ....................................... 68
第9 章圖像讀取與模型保存 ............... 69
9.1 加載圖片數(shù)據(jù)集 ........................... 69
9.2 創(chuàng)建圖片分類模型 ....................... 74
9.3 模型保存 ....................................... 77
9.3.1 保存和加載模型權重........................ 77
9.3.2 保存和恢復檢查點 ........................... 77
9.3.3 保存最優(yōu)參數(shù) ................................... 79
9.4 本章小結 ....................................... 80
第10 章多分類問題與卷積模型的優(yōu)化 ..................................... 82
10.1 創(chuàng)建自定義Dataset 類 ................ 82
10.2 基礎卷積模型 ............................. 87
10.3 Dropout 抑制過擬合 .................... 89
10.4 批標準化 ...................................... 93
10.5 學習速率衰減 .............................. 96
10.6 本章小結 ...................................... 98
第11 章遷移學習與數(shù)據(jù)增強 ............. 99
11.1 什么是遷移學習 .......................... 99
11.2 數(shù)據(jù)增強 .................................... 103
11.3 微調(diào) ............................................ 109
11.4 本章小結 .................................... 112
第12 章經(jīng)典網(wǎng)絡模型與特征提取 ... 113
12.1 VGG ........................................... 113
12.2 ResNet ........................................ 115
12.3 TensorBoard 可視化 .................. 117
12.4 ResNetBasicBlock 結構 ............. 120
12.5 Inception ..................................... 123
12.6 DenseNet .................................... 126
12.7 DenseNet 預訓練模型提取特征 .................................... 128
12.8 本章小結 .................................... 131
第13 章圖像定位基礎 ..................... 132
13.1 簡單圖像定位模型 .................... 132
13.2 數(shù)據(jù)集觀察 ................................ 133
13.3 創(chuàng)建模型輸入 ............................ 138
13.4 創(chuàng)建圖像定位模型 ................... 141
13.5 模型保存與測試 ....................... 146
13.6 本章小結 ................................... 147
第14 章圖像語義分割 ..................... 148
14.1 常見圖像處理任務 ................... 148
14.2 圖像語義分割 ........................... 150
14.3 U-Net 語義分割模型 ................. 152
14.4 創(chuàng)建輸入dataset ........................ 154
14.5 反卷積 ........................................ 158
14.6 U-Net 模型代碼實現(xiàn) ................. 159
14.7 模型訓練 .................................... 163
14.8 模型的保存和預測 .................... 166
14.9 本章小結 .................................... 168
第3 篇自然語言處理和序列篇
第15 章文本分類與詞嵌入 .............. 172
15.1 文本的數(shù)值表示 ....................... 172
15.1.1 Word2vec ....................................... 174
15.1.2 Glove ............................................. 174
15.1.3 Embedding Layer ........................... 174
15.2 torchtext 加載內(nèi)置文本數(shù)據(jù)集 .. 175
15.3 創(chuàng)建DataLoader 和文本分類模型 ........................................... 178
15.3.1 Xavier 初始化方法 ........................ 181
15.3.2 kaiming 初始化方法 ..................... 182
15.4 本章小結 ................................... 184
第16 章循環(huán)神經(jīng)網(wǎng)絡與一維卷積神經(jīng)網(wǎng)絡 ............................ 185
16.1 循環(huán)神經(jīng)網(wǎng)絡的概念................ 185
16.2 長短期記憶網(wǎng)絡 ........................ 192
16.3 門控循環(huán)單元 ............................ 194
16.4 LSTM 和GRU 高階API ........... 195
16.5 循環(huán)神經(jīng)網(wǎng)絡的應用 ................ 197
16.6 中文文本分類實例 .................... 198
16.7 LSTM 模型的優(yōu)化 .................... 201
16.8 一維卷積神經(jīng)網(wǎng)絡 .................... 203
16.9 本章小結 .................................... 207
第17 章序列預測實例 ..................... 208
17.1 時間序列數(shù)據(jù)集準備 ................ 208
17.2 序列預測模型 ............................ 214
17.3 本章小結 .................................... 215
第4 篇生成對抗網(wǎng)絡和目標檢測篇
第18 章生成對抗網(wǎng)絡 ..................... 218
18.1 GAN 的概念及應用 .................. 218
18.1.1 什么是GAN .................................. 218
18.1.2 GAN 的應用 .................................. 220
18.2 基本的GAN 實例 ..................... 221
18.3 深度卷積生成對抗網(wǎng)絡 ............ 227
18.4 本章小結 .................................... 231
第19 章目標檢測 ............................ 232
19.1 什么是目標檢測 ....................... 232
19.2 常用目標檢測算法 ................... 234
19.3 PyTorch 目標檢測模塊 ............. 236
19.4 目標檢測的圖像標注................ 241
19.5 使用自行標注數(shù)據(jù)集訓練目標檢測模型 ............................ 242
19.6 本章小結 .................................... 249
參考文獻 ............................................ 250