-- 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

比Tensorflow還精美的人工智慧套件:PyTorch讓你愛不釋手

( 繁體 字)
作者:陳雲類別:1. -> 程式設計 -> Python
   2. -> 程式設計 -> 人工智慧
譯者:
出版社:佳魁資訊比Tensorflow還精美的人工智慧套件:PyTorch讓你愛不釋手 3dWoo書號: 49371
詢問書籍請說出此書號!

缺書
不接受訂購

出版日:7/6/2018
頁數:
光碟數:0
站長推薦:
印刷:黑白印刷語系: ( 繁體 版 )
不接受訂購
ISBN:9789863796671
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:

內容簡介:

選擇PyTorch 的原因:


簡潔優雅的設計  
統一好用的介面
追風逐電的速度
變化無方的靈活性

■ 簡潔::PyTorch 的設計追求最少的封裝,儘量避免重複造輪子。簡潔的設計帶來的另一個好處是程式易於了解。
■ 速度:PyTorch 的靈活性不以速度為代價,在許多評測中,PyTorch
的速度表現勝過TensorFlow、Keras 等架構。
■ 好用:PyTorch 是所有的架構中物件導向設計的最優雅的。PyTorch
的針對對象的介面設計來自Torch,而Torch 的介面設計以靈活好用而著稱。PyTorch 的設計最符合人的思維,所思即所得,不需考慮太多關於架構本身的束縛。
■ 活躍的社區:PyTorch 提供完整的文件,循序漸進的指南,作者親自維護的論壇供使用者交流和求教問題。Facebook 人工智慧研究院對PyTorch 提供強力支持。
本書內容由淺入深,無論是深度學習的初學者,還是初次接觸PyTorch的研究人員,都能在學習本書的過程中快速掌握PyTorch。即使是有PyTorch使用經驗者,也能夠獲得對PyTorch不一樣的理解。
適用:PyTorch、深度學習初學者、具PyTorch使用經驗者。
目錄:

01  PyTorch 簡介
1.1 PyTorch 的誕生
1.2 常見的深度學習架構簡介
1.3 屬於動態圖的未來
1.4 為什麼選擇PyTorch
1.5 星火燎原
1.6 fast.ai 放棄Keras+TensorFlow 選擇PyTorch   
02  快速入門
2.1 安裝與設定
2.2 PyTorch 入門第一步
03  Tensor 和autograd
3.1 Tensor
3.2 autograd
04  神經網路工具箱nn
4.1 nn.Module
4.2 常用的神經網路層
4.3 最佳化器
4.4 nn.functionalnn
4.5 初始化策略
4.6 nn.Module 深入分析
4.7 nn 和autograd 的關係
4.8 小試牛刀:用50 行程式架設ResNet   
05  PyTorch 中常用的工具
5.1 資料處理
5.2 電腦視覺工具套件:torchvision
5.3 視覺化工具
5.4 使用GPU 加速:cuda
5.5 持久化   
06  PyTorch 實戰指南
6.1 程式設計實戰:貓和狗二分類
6.2 PyTorch Debug 指南
07  AI 插畫師:產生對抗網路
7.1 GAN 的原理簡介
7.2 用GAN 產生動漫圖示
7.3 實驗結果分析   
08  AI 藝術家:神經網路風格移轉
8.1 風格移轉原理介紹
8.2 用PyTorch 實現風格移轉
8.3 實驗結果分析   
09  AI 詩人:用RNN 寫詩
9.1 自然語言處理的基礎知識
9.2 CharRNN
9.3 用PyTorch 實現CharRNN
9.4 實驗結果分   
10   Image Caption:讓神經網路看圖講故事
10.1 影像描述介紹
10.2 資料
10.3 模型與訓練
10.4 實驗結果分析
11   展望與未來
11.1 PyTorch 的侷限與發展
11.2 使用建議
序: