輕鬆學會 Google Colab 和 Pytorch 人工智慧深度學習實作開發
黃士嘉、陳亮甫、趙大衛 著
- 出版商: 博碩
- 出版日期: 2026-09-04
- 定價: $690
- 售價: 7.8 折 $538
- 語言: 繁體中文
- 頁數: 464
- ISBN: 6264145955
- ISBN-13: 9786264145954
-
相關分類:
DeepLearning
尚未上市，歡迎預購
商品描述
掌握業界和學術界最流行、最活躍的深度學習程式庫—PyTorch
【內容簡介】
✪聚焦主流與前沿的深度學習架構與應用
✪完整掌握PyTorch深度學習應用開發
✪透過PyTorch API快速上手深度學習實作
本書前半部（CH1-CH10）是為初學者設計，使用Google Colab雲端GPU，只需打開瀏覽器即可開發，讓讀者在短時間內完整掌握深度學習的觀念；而本書後半部（CH11-CH15）定位於進階實務與最新應用，在讀者具備深度學習基礎後，自行準備GPU開發，無論在Windows或Linux系統，都可作為銜接研究或專題應用的進階教材。每章皆精細講解核心觀念，搭配Step by Step實作，確保讀者完全理解原理與操作。內容聚焦於近年主流與前沿的深度學習架構與應用，包括Transformer系列、擴散模型、物件偵測、影像分割，以及結合大型語言模型的視覺語言模型。
【精彩內容】
✪透過Google Colab在瀏覽器中開發，免本地端 GPU，低成本即可上手學習
✪利用PyTorch torch.nn模組，掌握簡潔指令、自由組合且容易擴展的模塊化API
✪利用PyTorch Dataset與DataLoader建立高效的數據導入管道，速度更快、更簡單
✪掌握PyTorch進階技巧：客製化網路層（Custom Layers）與客製化模型包裝器（Model Wrapper）
✪運用TensorBoard視覺化技巧，記錄訓練損失、準確率與權重分布
✪使用TorchvisionDatasets數據集平台，方便下載與使用資料集
✪使用PyTorch Hub開放預訓練模型平台，快速載入與使用預訓練網路模型
✪了解神經網路反向傳遞（Backpropagation）的原理
✪了解及實作全連接神經網路
✪了解及實作卷積神經網路
✪了解及實作遷移學習，透過PyTorch Hub搭建MobileNetV3網路模型進行遷移學習
✪掌握訓練網路的技巧：權重初始化（Xavier、He初始化）、Dropout、Batch Normalization
✪學習深度學習經典網路架構：LeNet、AlexNet、VGG、GoogLeNet、ResNet
✪聚焦Transformer系列、擴散模型、物件偵測、影像分割等近年主流與前沿的深度學習架構與應用
✪認識視覺語言模型（Vision-Language Models）的定義、任務型態與應用情境
本書範例檔下載網址：https://github.com/taipeitechmmslab/MMSLAB-PyTorch
作者簡介
黃士嘉
✪經歷：國立臺北科技大學電子工程系 特聘教授、加拿大 McGill University 國際客座教授、加拿大 Ontario Tech University 國際客座教授、IEEE Transactions on Intelligent Vehicles 國際副主編、IEEE Sensors Journal 國際副主編
✪獲獎：經濟部第 5 屆國家產業創新獎、ACM臺灣分會李國鼎研究獎、史丹福大學世界 2%頂尖科學家、國立臺北科技大學 校傑出研究獎、國立臺北科技大學 電資學院院傑出研究獎
陳亮甫
✪學歷：國立臺北科技大學電子工程系碩士
趙大衛
✪學歷：國立臺灣大學電機工程學系博士
✪經歷：台達電子 主任工程師、倫光科技 算法工程師
✪獲獎：臺大電機最佳博士論文獎
目錄大綱
|CHAPTER 00| 環境安裝
0.1 前言
0.2 Google Colab
0.3 Python安裝
0.4 PyTorch安裝
0.5 Python擴充套件安裝
0.6 Jupyter Notebook
0.7 GitHub程式碼
|CHAPTER 01| PyTorch介紹
1.1 什麼是深度學習？
1.2 建立專案
1.3 PyTorch介紹
1.4 PyTorch核心模組與開發部署流程
1.5 PyTorch基本運算
1.6 torch.nn模組
1.7 Dataset與DataLoader
|CHAPTER 02| 迴歸問題
2.1 深度神經網路
2.2 Kaggle介紹
2.3 實驗一：房價預測模型
2.4 TensorBoard介紹
2.5 實驗二：過擬合問題
|CHAPTER 03| 二元分類問題
3.1 機器學習的四大類別
3.2 二元分類問題
3.3 實驗：精靈寶可夢對戰預測
|CHAPTER 04| 多類別分類問題
4.1 卷積神經網路
4.2 多類別分類問題
4.3 實驗：CIFAR-10影像識別
|CHAPTER 05| 神經網路訓練技巧
5.1 反向傳遞
5.2 權重初始化
5.3 Batch Normalization
5.4 實驗：使用CIFAR-10資料集實驗三種權重初始化方法
|CHAPTER 06| 神經網路進階技巧
6.1 PyTorch進階技巧
6.2 實驗：透過Model Wrapper來進行兩種不同的網路架構訓練
|CHAPTER 07| 神經網路經典架構
7.1 神經網路架構
7.2 實驗：透過PyTorch Hub載入預訓練網路模型
|CHAPTER 08| 遷移學習
8.1 遷移學習
8.2 實驗：遷移學習
|CHAPTER 09| 變分自編碼器
9.1 Auto-Encoder介紹
9.2 Variational Auto-Encoder介紹
9.3 Variational Auto-Encoder損失函數
9.4 實驗：Variational Auto-Encoder實現
|CHAPTER 10| 生成對抗網路
10.1 生成對抗網路
10.2 GAN、WGAN、WGAN-GP的演進
10.3 實驗：WGAN-GP人臉生成
|CHAPTER 11| 擴散模型
11.1 Diffusion Model
11.2 Stable Diffusion
11.3 實驗：DDPM實現
|CHAPTER 12| 物件偵測
12.1 電腦視覺
12.2 物件偵測介紹
12.3 物件偵測歷史進展
12.4 實驗：YOLO v8物件偵測
13.1 Semantic Segmentation任務介紹
13.2 Semantic Segmentation歷史進展
13.3 實驗：U-Net實現
|CHAPTER14| Transformer Family
14.1 時序資料任務介紹
14.2 應用於時序資料的類神經網路
14.3 Transformer介紹
14.4 Vision Transformer（ViT）架構
14.5 實驗一：時序資料分類
14.6 實驗二：Transformer Bottleneck架構實作
|CHAPTER 15| 大型語言模型之視覺語言模型
15.1 視覺語言模型任務介紹
15.2 代表性視覺語言模型
15.3 從視覺語言模型到多模態大型模型
15.4 實驗：實現CLIP零樣本
