深入淺出 PyTorch — 從模型到源碼

張校捷

深入淺出 PyTorch — 從模型到源碼
  • 出版商: 電子工業
  • 出版日期: 2020-03-01
  • 定價: $539
  • 售價: 9.5 折 $512
  • 語言: 簡體中文
  • 頁數: 414
  • ISBN: 7121386410
  • ISBN-13: 9787121386411
  • 相關分類: DeepLearning、Python

    • 立即出貨 (庫存 < 3)

買這商品的人也買了...

相關主題

商品描述

本書首先從深度學習的原理出發，介紹如何把深度學習的理論轉換為PyTorch代碼，然後介紹如何在電腦上運行這些代碼。作為一本面向初中級讀者的技術類圖書，本書在前面所述內容的基礎上，還介紹了學術界前沿的一系列實例，以及PyTorch的源代碼結構，以期讀者能夠融會貫通深度學習框架的設計和應用的思想。

作者簡介

張校捷，英偉達（NVIDIA）資深深度學習架構工程師，負責基於CUDA的深度學習框架的優化。目前主要使用的技術棧是作為深度學習框架後端的C/C++/CUDA，以及深度學習框架前端的Python，對主流的深度學習框架如PyTorch和TensorFlow比較熟悉，並精通其在計算機視覺（CV）和自然語言處理（NLP）方面的具體應用。作者多次作為專題演講嘉賓，受邀參加CSDN主辦的技術大會。

目錄大綱

第1章 深度學習概念簡介
1.1 深度學習的歷史
1.1.1 深度學習的發展過程
1.1.2 深度學習在計算機視覺領域的發展
1.1.3 深度學習在自然語言處理和其他領域的發展
1.2 機器學習基本概念
1.2.1 機器學習的主要任務
1.2.2 機器模型的類型
1.2.3 損失函數以及模型的擬合
1.3 深度學習基本概念
1.3.1 向量、矩陣和張量及其運算
1.3.2 張量的存儲
1.3.3 神經元的概念
1.4 輸入數據的表示方式
1.4.1 圖像數據的表示方式
1.4.2 文本數據的表示方式
1.4.3 音頻數據的表示方式
1.5 線性變換和激活函數
1.5.1 全連接線性變換
1.5.2 卷積線性變換
1.5.3 激活函數
1.6 鏈式求導法則和反向傳播
1.6.1 基於鏈式求導的梯度計算
1.6.2 激活函數的導數
1.6.3 數值梯度
1.7 損失函數和優化器
1.7.1 常用的損失函數
1.7.2 基於梯度的優化器
1.7.3 學習率衰減和權重衰減
1.8 本章總結
第2章 PyTorch深度學習框架簡介
2.1 深度學習框架簡介
2.1.1 深度學習框架中的張量
2.1.2 深度學習框架中的計算圖
2.1.3 深度學習框架中的自動求導和反向傳播
2.2 PyTorch框架歷史和特性更疊
2.3 PyTorch的安裝過程
2.4 PyTorch包的結構
2.4.1 PyTorch的主要模塊
2.4.2 PyTorch的輔助工具模塊
2.5 PyTorch中張量的創建和維度的操作
2.5.1 張量的數據類型
2.5.2 張量的創建方式
2.5.3 張量的存儲設備
2.5.4 和張量維度相關的方法
2.5.5 張量的索引和切片
2.6 PyTorch中張量的運算
2.6.1 涉及單個張量的函數運算
2.6.2 涉及多個張量的函數運算
2.6.3 張量的極值和排序
2.6.4 矩陣的乘法和張量的縮並
2.6.5 張量的拼接和分割
2.6.6 張量維度的擴增和壓縮
2.6.7 張量的廣播
2.7 PyTorch中的模塊簡介
2.7.1 PyTorch中的模塊類
2.7.2 基於模塊類的簡單線性回歸類
2.7.3 線性回歸類的實例化和方法調用
2.8 PyTorch的計算圖和自動求導機制
2.8.1 自動求導機制簡介
2.8.2 自動求導機制實例
2.8.3 梯度函數的使用
2.8.4 計算圖生成的控制
2.9 PyTorch的損失函數和優化器
2.9.1 損失函數
2.9.2 優化器
2.10 PyTorch中數據的輸入和預處理
2.10.1 數據載入類
2.10.2 映射類型的數據集
2.10.3 torchvision工具包的使用
2.10.4 可疊代類型的數據集
2.11 PyTorch模型的保存和加載
2.11.1 模塊和張量的序列化及反序列化
2.11.2 模塊狀態字典的保存和載入
2.12 PyTorch數據的可視化
2.12.1 TensorBoard的安裝和使用
2.12.2 TensorBoard常用的可視化數據類型
2.13 PyTorch模型的並行化
2.13.1 PyTorch的數據並行化
2.13.1 PyTorch的分布式數據並行化
2.14 本章總結
第3章 PyTorch計算機視覺模塊
3.1 計算機視覺基本概念
3.1.1 計算機視覺任務簡介
3.1.2 基礎圖像變換操作
3.1.3 圖像特征提取
3.1.4 濾波器的概念
3.2 線性層
3.3 卷積層
3.4 歸一化層
3.5 池化層
3.6 丟棄層
3.7 模塊的組合
3.8 特征提取
3.9 模型初始化
3.10 常見模型結構
3.10.1 InceptionNet的結構
3.10.2 ResNet的結構
3.11 本章總結
第4章 PyTorch機器視覺案例
4.1 常見計算機視覺任務和數據集
4.1.1 圖像分類任務簡介
4.1.2 目標檢測任務簡介
4.1.3 圖像分割任務簡介
4.1.4 圖像生成任務簡介
4.1.5 常用深度學習公開數據集
4.2 手寫數字識別：LeNet
4.2.1 深度學習工程的結構
4.2.2 MNIST數據集的準備
4.2.3 LeNet網絡的搭建
4.2.4 LeNet網絡的訓練和測試
4.2.5 超參數的修改和argparse庫的使用
4.3 圖像分類：ResNet和InceptionNet
4.3.1 ImageNet數據集的使用
4.3.2 ResNet網絡的搭建
4.3.3 InceptionNet網絡的搭建
4.4 目標檢測：SSD
4.4.1 SSD的骨架網絡結構
4.4.2 SSD的特征提取網絡結構
4.4.3 錨點框和選框預測
4.4.4 輸入數據的預處理
4.4.5 損失函數的計算
4.4.6 模型的預測和非極大抑制算法
4.5 圖像分割：FCN和U-Net
4.5.1 FCN網絡結構
4.5.2 U-Net網絡結構
4.6 圖像風格遷移
4.6.1 圖像風格遷移算法介紹
4.6.2 輸入圖像的特征提取
4.6.3 輸入圖像的優化
4.7 生成模型：VAE和GAN
4.7.1 變分自編碼器介紹
4.7.2 變分自編碼器的實現
4.7.3 生成對抗網絡介紹
4.7.4 生成對抗網絡的實現
4.8 本章總結
第5章 PyT

類似商品