深度學習入門之PyTorch epub pdf mobi txt 電子書 下載 2024

深度學習入門之PyTorch epub pdf mobi txt 電子書 下載 2024

☆☆☆☆☆
簡體網頁||繁體網頁



點擊這裡下載

深度學習入門之PyTorch epub pdf mobi txt 電子書 下載 2024

类似图書 點擊查看全場最低價

---

産品特色

編輯推薦

適讀人群 ：本書將理論和代碼相結閤，幫助讀者更好地進入深度學習領域，適閤任何對深度學習感興趣的人。

1 作者本身也是從小白開始入門深度學習的，無論從書中內容，還是講解思路，以及語言風格，均適閤你從零開始進入深度學習這個充滿魔力的世界。

2 實例簡單而不簡約，用到瞭生成對抗網絡和注意力機製等目前相對前沿的深度學習技術。

3 雖然是一本入門教程，但是對原理的講述也不含糊，清晰易懂，讓讀者能知其然且知其所以然。

內容簡介

深度學習如今已經成為瞭科技領域*炙手可熱的技術，在本書中，我們將幫助你入門深度學習的領域。本書將從人工智能的介紹入手，瞭解機器學習和深度學習的基礎理論，並學習如何用PyTorch框架對模型進行搭建。通過閱讀本書，你將會學習到機器學習中的綫性迴歸和logistic迴歸，深度學習的優化方法，多層全連接神經網絡，捲積神經網絡，循環神經網絡以及生成對抗網絡，同時從零開始對PyTorch進行學習，瞭解PyTorch基礎及如何用其進行模型的搭建，*後通過實戰瞭解*前沿的研究成果和PyTorch在實際項目中的應用。

作者簡介

廖星宇，目前就讀於中國科學技術大學應用數學係，獲得國傢一等奬學金。在個人博客、知乎等平颱上發布多篇關於深度學習的文章，具有一定的閱讀量和人氣。

目錄

第1 章深度學習介紹1
1．1 人工智能． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． 1
1．2 數據挖掘、機器學習與深度學習． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． 2
1．2．1 數據挖掘． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． 3
1．2．2 機器學習． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． 3
1．2．3 深度學習． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． 4
1．3 學習資源與建議． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． 8
第2 章深度學習框架11
2．1 深度學習框架介紹． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． 11
2．2 PyTorch 介紹． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． 13
2．2．1 什麼是PyTorch ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． 13
2．2．2 為何要使用PyTorch ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． 14
2．3 配置PyTorch 深度學習環境． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． 15
2．3．1 操作係統的選擇． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． 15
2．3．2 Python 開發環境的安裝． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． 16
2．3．3 PyTorch 的安裝． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． 18
第3 章多層全連接神經網絡24
3．1 熱身：PyTorch 基礎． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． 24
3．1．1 Tensor（張量） ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． 24
3．1．2 Variable（變量） ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． 26
3．1．3 Dataset（數據集） ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． 28
3．1．4 nn．Module（模組） ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． 29
3．1．5 torch．optim（優化） ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． 30
3．1．6 模型的保存和加載． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． 31
3．2 綫性模型． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． 32
3．2．1 問題介紹． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． 32
3．2．2 一維綫性迴歸． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． 33
3．2．3 多維綫性迴歸． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． 34
3．2．4 一維綫性迴歸的代碼實現． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． 35
3．2．5 多項式迴歸． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． 38
3．3 分類問題． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． 42
3．3．1 問題介紹． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． 42
3．3．2 Logistic 起源． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． 42
3．3．3 Logistic 分布． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． 42
3．3．4 二分類的Logistic 迴歸． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． 43
3．3．5 模型的參數估計． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． 44
3．3．6 Logistic 迴歸的代碼實現． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． 45
3．4 簡單的多層全連接前嚮網絡． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． 49
3．4．1 模擬神經元． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． 49
3．4．2 單層神經網絡的分類器． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． 50
3．4．3 激活函數． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． 51
3．4．4 神經網絡的結構． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． 54
3．4．5 模型的錶示能力與容量． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． 55
3．5 深度學習的基石：反嚮傳播算法． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． 57
3．5．1 鏈式法則． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． 57
3．5．2 反嚮傳播算法． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． 58
3．5．3 Sigmoid 函數舉例． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． 58
3．6 各種優化算法的變式． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． 59
3．6．1 梯度下降法． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． 59
3．6．2 梯度下降法的變式． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． 62
3．7 處理數據和訓練模型的技巧． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． 64
3．7．1 數據預處理． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． 64
3．7．2 權重初始化． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． 66
3．7．3 防止過擬閤． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． 67
3．8 多層全連接神經網絡實現MNIST 手寫數字分類． ． ． ． ． ． ． ． ． ． ． ． ． ． 69
3．8．1 簡單的三層全連接神經網絡． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． 70
3．8．2 添加激活函數． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． 70
3．8．3 添加批標準化． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． 71
3．8．4 訓練網絡． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． 71
第4 章捲積神經網絡76
4．1 主要任務及起源． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． 76
4．2 捲積神經網絡的原理和結構． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． 77
4．2．1 捲積層． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． 80
4．2．2 池化層． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． 84
4．2．3 全連接層． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． 85
4．2．4 捲積神經網絡的基本形式． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． 85
4．3 PyTorch 捲積模塊． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． 87
4．3．1 捲積層． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． 87
4．3．2 池化層． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． 88
4．3．3 提取層結構． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． 90
4．3．4 如何提取參數及自定義初始化． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． 91
4．4 捲積神經網絡案例分析． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． 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 再實現MNIST 手寫數字分類． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． 103
4．6 圖像增強的方法． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． 105
4．7 實現cifar10 分類． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． 107
第5 章循環神經網絡111
5．1 循環神經網絡． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． 111
5．1．1 問題介紹． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． 112
5．1．2 循環神經網絡的基本結構． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． 112
5．1．3 存在的問題． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． 115
5．2 循環神經網絡的變式：LSTM 與GRU ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． 116
5．2．1 LSTM ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． 116
5．2．2 GRU ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． 119
5．2．3 收斂性問題． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． 120
5．3 循環神經網絡的PyTorch 實現． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． 122
5．3．1 PyTorch 的循環網絡模塊． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． 122
5．3．2 實例介紹． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． 127
5．4 自然語言處理的應用． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． 131
5．4．1 詞嵌入． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． 131
5．4．2 詞嵌入的PyTorch 實現． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． 133
5．4．3 N Gram 模型． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． 133
5．4．4 單詞預測的PyTorch 實現． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． 134
5．4．5 詞性判斷． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． 136
5．4．6 詞性判斷的PyTorch 實現． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． 137
5．5 循環神經網絡的更多應用． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． 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 章生成對抗網絡144
6．1 生成模型． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． 144
6．1．1 自動編碼器． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． 145
6．1．2 變分自動編碼器． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． 150
6．2 生成對抗網絡． ． ． ． ． ． ． ． ．

深度學習入門之PyTorch epub pdf mobi txt 電子書 下載 2024

深度學習入門之PyTorch 下載 epub mobi pdf txt 電子書

評分☆☆☆☆☆

大名鼎鼎的tensorlayer,書的印刷和裝幀不錯，值得一說的是彩印，有我最喜歡的u-net講解，內容非常翔實。美中不足的是前麵有好幾十頁關於deep learning入門概念的講解，我認為能看工具書的人都應該有相關的基礎，在這裏一再重復感覺上是騙字數

評分☆☆☆☆☆

感謝京東，書都是正版，而且相當便宜。

評分☆☆☆☆☆

還沒看，應該不錯吧

評分☆☆☆☆☆

專業必備，正本圖書，脈絡清晰，幫助很大，實例經典，閱讀方便，很實用，科技前沿書籍，滿意，五星好評。

評分☆☆☆☆☆

知識麵很全，但是不夠詳細，適閤入門。

評分☆☆☆☆☆

我認為這是一本特彆實用的書，內容淺顯易懂，讀起來特彆舒服，而且還有源代碼。

評分☆☆☆☆☆

質量挺好的書，都是塑料皮封好的

評分☆☆☆☆☆

給公司買的書 他們都很喜歡 質量非常好

評分☆☆☆☆☆

本書從pytorch的幾個關鍵模塊入手，帶著讀著把docs過瞭一遍，有深度學習基礎的同學可以在三天內快速使用pytorch進行深度學習研究。個人覺得寫得很好，同時也感謝Facebook開源瞭這一個好用的深度學習框架

类似图書 點擊查看全場最低價