-- 會員 / 註冊 --  
 帳號:
 密碼:
  | 註冊 | 忘記密碼
3/26 新書到! 3/19 新書到! 3/14 新書到! 12/12 新書到!
購書流程Q & A站務留言版客服信箱
3ds MaxMayaRhinoAfter EffectsSketchUpZBrushPainterUnity
PhotoShopAutoCadMasterCamSolidWorksCreoUGRevitNuke
C#CC++Java遊戲程式Linux嵌入式PLCFPGAMatlab
駭客資料庫搜索引擎影像處理FluentVR+ARANSYS深度學習
單晶片AVROpenGLArduinoRaspberry Pi電路設計CadenceProtel
HadoopPythonStm32CortexLabview手機程式AndroidiPhone
可查書名,作者,ISBN,3dwoo書號
詳細書籍分類

深度學習入門之PyTorch

( 簡體 字)
作者:廖星宇類別:1. -> 程式設計 -> 深度學習
   2. -> 程式設計 -> Python
譯者:
出版社:電子工業出版社深度學習入門之PyTorch 3dWoo書號: 47801
詢問書籍請說出此書號!

缺書
NT售價: 395

出版日:9/1/2017
頁數:232
光碟數:0
站長推薦:
印刷:黑白印刷語系: ( 簡體 版 )
加入購物車 加到我的最愛
(請先登入會員)
ISBN:9787121326202
作者序 | 譯者序 | 前言 | 內容簡介 | 目錄 | 
(簡體書上所述之下載連結耗時費功, 恕不適用在台灣, 若讀者需要請自行嘗試, 恕不保證)
作者序:

譯者序:

前言:

隨著AlphaGo 以3:1 的成績戰勝李世石,人們對人工智能的熱情如井噴式增長,你
也許對人工智能充滿興趣,向往著了解機器學習,特別是深度學習,那么本書恰好能夠
由淺及深地帶你進入深度學習這個世界。
講深度學習的書有很多,深度學習的框架也有很多,本書將以PyTorch 為工具從基
礎的線性回歸開始,講到時下最前沿的生成對抗網絡,并在其中穿插PyTorch 的教學,
所以本書不僅僅是深度學習的入門指南,同時也是PyTorch 的入門教程。
本書針對的對象是對深度學習有所了解、用過一些深度學習框架(如使用Tensor-
Flow 跑過簡單的模型),但是希望能夠用PyTorch 進行深度學習研究和學習的入門者。
閱讀本書并不需要太多的數學基礎,但是需要一定的Python 基礎。本書中的數學推導
不多,感覺困難的讀者可以跳過,這對理解全書的主要內容不會造成影響。
本書的主要內容包括:
第1 章,深度學習介紹;
第2 章,深度學習框架;
第3 章,多層全連接神經網絡;
第4 章,卷積神經網絡;
第5 章,循環神經網絡;
第6 章,生成對抗網絡;
第7 章,深度學習實戰。
建議讀者按照本書的內容順序學習,因為后面的內容會以前面的內容為基礎,另外
本書的全部代碼放在了https://github.com/SherlockLiao/code-of-learn-deep-learning-withpytorch
中,讀者可以前往下載。
本書面向的對象是初學者,學習完本書之后,讀者能夠大致了解深度學習的基本知
識,基本掌握PyTorch 的使用方法,知道如何根據實際問題搭建對應的深層網絡結構,
并能夠進行調參得到較好的結果。當然本書只是一本入門讀物,如果希望以后從事該
領域的研究,僅靠此書是不夠的,需要閱讀更多專業的書籍和學術論文。
在本書的創作過程離不開很多人對我的幫助,書中的一部分內容參考了李飛飛教
授在斯坦福大學開設的課程cs231n,以及臺灣國立大學教授李宏毅開始的MLDS,除此
之外還參考了網絡上的一些圖例,因為大多找不到出處,所以無法一一列出進行感謝。
除此之外,還感謝在寫書的過程中我的家人對我的鼓勵和信任,正是他們的支持
讓我能夠堅持寫完整本書。
最后,感謝電子工業出版社給我這次機會讓我能夠出版此書,同時也感謝孫學瑛
編輯全程對我的幫助。
由于本人水平有限,書中存在的紕漏,歡迎大家向我指出,我也很高興收到大家的
意見和建議,不勝感激。
廖星宇
中國科學技術大學數學系
內容簡介:

深度學習如今已經成為了科技領域最炙手可熱的技術,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,了解機器學習和深度學習的基礎理論,并學習如何用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線性回歸和logistic回歸,深度學習的優化方法,多層全連接神經網絡,卷積神經網絡,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,了解PyTorch基礎及如何用其進行模型的搭建,最后通過實戰了解最前沿的研究成果和PyTorch在實際項目中的應用。

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 什么是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 操作系統的選擇. . . . 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 線性模型. . . . 32
3.2.1 問題介紹. . . . 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現. . . . 35
3.2.5 多項式回歸. . . . 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 回歸. . . . 43
3.3.5 模型的參數估計. . . . 44
3.3.6 Logistic 回歸的代碼實現. . . 45
3.4 簡單的多層全連接前向網絡. . . 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 模型的表示能力與容量. . . . 55
3.5 深度學習的基石:反向傳播算法. . . 57
3.5.1 鏈式法則. . . . 57
3.5.2 反向傳播算法. . . . . 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 防止過擬合. . . . 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 章卷積神經網絡76
4.1 主要任務及起源. . . . 76
4.2 卷積神經網絡的原理和結構. . . 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 卷積神經網絡的基本形式. . . . 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 提取層結構. . . . 90
4.3.4 如何提取參數及自定義初始化. . . . 91
4.4 卷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. . . . . 153
6.2.1 何為生成對抗網絡. . . . 153
6.2.2 生成對抗網絡的數學原理. . . . 160
6.3 Improving GAN . . . . . 164
6.3.1 Wasserstein GAN . . . . 164
6.3.2 Improving WGAN . . . 167
6.4 應用介紹. . . . 168
6.4.1 Conditional GAN . . . . 168
6.4.2 Cycle GAN . . . . . 170
第7 章深度學習實戰173
7.1 實例一——貓狗大戰:運用預訓練卷積神經網絡進行特征提取與預測. 173
7.1.1 背景介紹. . . . 174
7.1.2 原理分析. . . . 174
7.1.3 代碼實現. . . . 177
7.1.4 總結. . . . 183
7.2 實例二——Deep Dream:探索卷積神經網絡眼中的世界. 183
7.2.1 原理介紹. . . . 184
7.2.2 預備知識:backward . . . 185
7.2.3 代碼實現. . . . 190
7.2.4 總結. . . . 195
7.3 實例三——Neural-Style:使用PyTorch 進行風格遷移. . . 196
7.3.1 背景介紹. . . . 196
7.3.2 原理分析. . . . 197
7.3.3 代碼實現. . . . 199
7.3.4 總結. . . . 205
7.4 實例四——Seq2seq:通過RNN 實現簡單的Neural Machine Translation . 205
7.4.1 背景介紹. . . . 206
7.4.2 原理分析. . . . 206
7.4.3 代碼實現. . . . 209
7.4.4 總結. . . . 221
序: