PyTorch 深度學習入門與應用:必備實作知識與工具一本就學會

王進德

  • 出版商: 博碩文化
  • 出版日期: 2022-10-04
  • 定價: $600
  • 售價: 7.0$420 (限時優惠至 2024-02-29)
  • 語言: 繁體中文
  • 頁數: 336
  • 裝訂: 平裝
  • ISBN: 626333259X
  • ISBN-13: 9786263332591
  • 相關分類: DeepLearning
  • 立即出貨 (庫存 > 10)

  • PyTorch 深度學習入門與應用:必備實作知識與工具一本就學會-preview-1
  • PyTorch 深度學習入門與應用:必備實作知識與工具一本就學會-preview-2
  • PyTorch 深度學習入門與應用:必備實作知識與工具一本就學會-preview-3
  • PyTorch 深度學習入門與應用:必備實作知識與工具一本就學會-preview-4
  • PyTorch 深度學習入門與應用:必備實作知識與工具一本就學會-preview-5
  • PyTorch 深度學習入門與應用:必備實作知識與工具一本就學會-preview-6
  • PyTorch 深度學習入門與應用:必備實作知識與工具一本就學會-preview-7
  • PyTorch 深度學習入門與應用:必備實作知識與工具一本就學會-preview-8
  • PyTorch 深度學習入門與應用:必備實作知識與工具一本就學會-preview-9
  • PyTorch 深度學習入門與應用:必備實作知識與工具一本就學會-preview-10
  • PyTorch 深度學習入門與應用:必備實作知識與工具一本就學會-preview-11
  • PyTorch 深度學習入門與應用:必備實作知識與工具一本就學會-preview-12
  • PyTorch 深度學習入門與應用:必備實作知識與工具一本就學會-preview-13
PyTorch 深度學習入門與應用:必備實作知識與工具一本就學會-preview-1

買這商品的人也買了...

商品描述

  • 【本書特色】
    著重PyTorch的實作與應用,
    輕鬆進入深度學習與人工智慧領域!

    ☛詳細說明深度學習的實作流程,以系統化步驟來處理各式的任務問題。
    ☛介紹深度學習原理,實作DNN、CNN、RNN、LSTM、RL各種演算法。
    ☛提供完整的程式範例,程式力求淺顯易懂,說明深入淺出。
    ☛注重數據集的探索處理,可強化數據分析能力。


    【內容簡介】
    深度學習是人工智慧的一個分支,相較於傳統的機器學習,深度學習在某些領域中更接近人類智慧,而逐漸走進我們的生活中,常見的應用如人臉辨識、語音識別、智慧駕駛等。

    PyTorch是一個開源的Python深度學習函式庫,這個軟體主要由Facebook的人工智慧研究團隊開發,而由於PyTorch的語法簡單,且擁有完善的文件說明,目前已成為開發深度學習的主要框架之一。

    本書內容由淺入深,不只對PyTorch進行系統化的介紹,也詳細說明了神經網路、CNN網路、RNN網路及強化學習等主題。本書還安排了18個實習,以PyTorch實作深度學習的各種演算法,經由實作的過程,可有效幫助讀者學習,進入深度學習的世界。

    【目標讀者】
    ☛對深度學習有興趣的初學者,可讓讀者兼顧理論與實作。
    ☛適用於大專院校「深度學習」課程的學生,可作為教師授課之用。
    ☛已學過TensorFlow且想再學習PyTorch框架者,可對學習、研究及求職有很大的幫助。
    ☛專案設計者、AI工程師、數據分析工程師,也很適合閱讀本書。

目錄大綱

  • |CHAPTER 01| PyTorch簡介與安裝
    1.1 本章提要
    1.2 PyTorch簡介
    1.3 建置PyTorch開發環境
    1.4 安裝CPU版本的PyTorch
    1.5 安裝GPU版本的PyTorch
    1.6 Jupyter Notebook基本操作
    1.7 測試PyTorch是否安裝成功

    |CHAPTER 02| PyTorch張量
    2.1 本章提要
    2.2 建立張量
    2.3 建立預設值張量
    2.4 張量與NumPy
    2.5 CPU和GPU中的張量
    2.6 張量的索引及切片
    2.7 張量的變換
    2.8 張量拼接及拆分
    2.9 比較運算
    2.10 實習①:張量基本操作

    |CHAPTER 03| 自動微分與線性迴歸
    3.1 本章提要
    3.2 PyTorch自動微分
    3.3 線性迴歸
    3.4 梯度下降法解多元迴歸問題
    3.5 張量算術運算
    3.6 實習②:Autograd解多元迴歸問題

    |CHAPTER 04| 建構神經網路
    4.1 本章提要
    4.2 感知器
    4.3 多層神經網路
    4.4 激活函數
    4.5 損失函數
    4.6 倒傳遞演算法
    4.7 優化器
    4.8 torch.nn模組
    4.9 torch.optim模組
    4.10 訓練神經網路程式架構
    4.11 實習③:單層神經網路解多元迴歸問題

    |CHAPTER 05| 數據探索與處理
    5.1 本章提要
    5.2 數據分析
    5.3 探索數據
    5.4 處理異常值
    5.5 處理缺失值
    5.6 數據縮放
    5.7 拆分數據集
    5.8 實習④:預測歌曲發行年份

    |CHAPTER 06| 自定義神經網路
    6.1 本章提要
    6.2 自定義網路層
    6.3 nn.functional模組
    6.4 深度學習實現流程
    6.5 Dataset與DataLoader
    6.6 儲存與載入模型
    6.7 實習⑤:信用卡違約二元分類
    6.8 自定義Dataset
    6.9 實習⑥:鳶尾花多元分類

    |CHAPTER 07| 卷積神經網路
    7.1 本章提要
    7.2 CNN基本結構
    7.3 卷積層
    7.4 池化層.
    7.5 全連接層
    7.6 加入Dropout層及BatchNorm層
    7.7 實習⑦:MNIST手寫數字辨識

    |CHAPTER 08| 遷移學習
    8.1 本章提要
    8.2 TorchVision函式庫
    8.3 實習⑧:使用ResNet18模型進行圖片分類
    8.4 調整學習率
    8.5 ImageFolder類別
    8.6 實習⑨:微調ResNet18模型進行圖片分類

    |CHAPTER 09| 建構ResNet神經網路
    9.1 本章提要
    9.2 CIFAR-10數據準備與探索
    9.3 實習⑩:CIFAR-10 CNN圖片分類
    9.4 ResNet殘差網路
    9.5 ResNet18模型架構
    9.6 PyTorch實現ResNet網路
    9.7 實習⑪:ResNet10 圖形分類

    |CHAPTER 10| 循環神經網路
    10.1 本章提要
    10.2 RNN 循環神經網路
    10.3 隨時間倒傳遞演算法
    10.4 雙向RNN
    10.5 PyTorch實作RNN網路
    10.6 實習⑫:RNN處理序列數據

    |CHAPTER 11| 長短期記憶網路
    11.1 本章提要
    11.2 LSTM工作原理
    11.3 門控機制
    11.4 GRU網路
    11.5 PyTorch實作LSTM網路
    11.6 文字轉數字的處理
    11.7 詞嵌入
    11.8 實習⑬:LSTM網路處理IMDB評論分類

    |CHAPTER 12| 強化學習
    12.1 本章提要
    12.2 強化學習簡介
    12.3 Markov決策過程
    12.4 獎勵與回報
    12.5 Q學習演算法
    12.6 Q學習演算法手算範例
    12.7 實習⑭:Q學習演算法解走至戶外問題
    12.8 實習⑮:Q學習解迷宮

    |CHAPTER 13| OpenAI Gym
    13.1 本章提要
    13.2 OpenAI Gym基本操作
    13.3 FrozenLake遊戲
    13.4 Epsilon- 貪婪策略
    13.5 實習⑯:Q學習演算法解Frozen Lake
    13.6 Mountain Car遊戲
    13.7 將連續值轉換成離散值
    13.8 實習⑰:Q學習演算法解Mountain Car

    |CHAPTER 14| 深度Q網路
    14.1 本章提要
    14.2 DQN網路
    14.3 DQN工作原理
    14.4 DQN演算法
    14.5 CartPole-v1遊戲
    14.6 CartPole的深度Q學習
    14.7 建構回放緩衝區
    14.8 建構主要Q網路及目標Q網路
    14.9 實習⑱:DQN解CartPole問題