PyTorch 深度學習實戰 (微課視頻版)

呂雲翔 劉卓然 主編 關捷雄 歐陽植昊 楊卓謙 華昱雲 陳妙然 黎昆昌 呂可馨 王淥汀 副主編

  • 出版商: 清華大學
  • 出版日期: 2021-04-01
  • 售價: $359
  • 貴賓價: 9.5$341
  • 語言: 簡體中文
  • 頁數: 228
  • 裝訂: 平裝
  • ISBN: 7302568200
  • ISBN-13: 9787302568209
  • 相關分類: DeepLearning 深度學習

立即出貨 (庫存 < 3)

  • PyTorch 深度學習實戰 (微課視頻版)-preview-1
  • PyTorch 深度學習實戰 (微課視頻版)-preview-2
  • PyTorch 深度學習實戰 (微課視頻版)-preview-3
PyTorch 深度學習實戰 (微課視頻版)-preview-1

買這商品的人也買了...

相關主題

商品描述

本書在內容安排上十分精良,為便於數學基礎較薄弱的讀者學習,引入了深度學習數學基礎;再由淺入深地以實戰案例講解的方式,對於誤差反向傳播法、捲積運算等進行詳細剖析,使讀者在實現層面上理解;此外還加入了前沿技術,如Batch Normalization等內容。本書提供了8個完整的項目案例、完整的構建過程、詳細的視頻講解以及相應源代碼,使讀者能在實戰案例中,深入完成深度學習的學習與掌握。

作者簡介

1986-199□: 北方交通大學講師; 199□-1994: 比利時VUB大學應用信息技術碩士; 1994-1996: 比利時VUB大學MBA; 1996-□003: IT公司項目經理□003-至今: 北航軟件學院副教授。已出版二十幾本教材(其中“計算機導論實踐教程”一書獲北航□010年教學成果三等獎;“大學計算機英語教程”獲北航□01□年教學成果二等獎。 主講課程: 計算機導論、軟件工程、職業生涯規劃等。

目錄大綱

目錄

基礎篇

第1章深度學習簡介
1.1電腦視覺
1.1.1定義
1.1.2基本任務
1.1.3傳統方法
1.1.4仿生學與深度學習
1.1.5現代深度學習
1.1.6小結
1.2自然語言處理
1.2.1自然語言處理的基本問題
1.2.2傳統方法與神經網絡方法的比較
1.2.3發展趨勢
1.3強化學習
1.3.1什麽是強化學習
1.3.2強化學習算法簡介
1.3.3強化學習的應用

第2章深度學習框架
2.1Caffe
2.1.1Caffe簡介
2.1.2Caffe的特點
2.1.3Caffe概述
2.2TensorFlow
2.2.1TensorFlow簡介
2.2.2數據流圖
2.2.3TensorFlow的特點
2.2.4TensorFlow概述
2.3PyTorch
2.3.1PyTorch簡介
2.3.2PyTorch的特點
2.3.3PyTorch概述
2.4三者的比較
2.4.1Caffe
2.4.2TensorFlow
2.4.3PyTorch

第3章機器學習基礎知識
3.1模型評估與模型參數選擇
3.1.1驗證
3.1.2正則化
3.2監督學習與非監督學習
3.2.1監督學習
3.2.2非監督學習

第4章PyTorch深度學習基礎
4.1Tensor對象及其運算
4.2Tensor的索引和切片
4.3Tensor的變換、拼接和拆分
4.4PyTorch的Reduction操作
4.5PyTorch的自動微分

第5章Logistic回歸
5.1線性回歸
5.2Logistic回歸
5.3用PyTorch實現Logistic回歸
5.3.1數據準備
5.3.2線性方程
5.3.3激活函數
5.3.4損失函數
5.3.5優化算法
5.3.6模型可視化

第6章神經網絡基礎
6.1基礎概念
6.2感知器
6.2.1單層感知器
6.2.2多層感知器
6.3BP神經網絡
6.3.1梯度下降
6.3.2後向傳播
6.4Dropout正則化
6.5批標準化
6.5.1Batch Normalization的實現方式
6.5.2Batch Normalization的使用方法

第7章捲積神經網絡與電腦視覺
7.1捲積神經網絡的基本思想
7.2捲積操作
7.3池化層
7.4捲積神經網絡
7.5經典網絡結構
7.5.1VGG網絡
7.5.2InceptionNet
7.5.3ResNet
7.6用PyTorch進行手寫數字識別

第8章神經網絡與自然語言處理
8.1語言建模
8.2基於多層感知機的架構
8.3基於循環神經網絡的架構
8.3.1循環單元
8.3.2通過時間後向傳播
8.3.3帶有門限的循環單元
8.3.4循環神經網絡語言模型
8.3.5神經機器翻譯
8.4基於捲積神經網絡的架構
8.5基於Transformer的架構
8.5.1多頭註意力
8.5.2非參位置編碼
8.5.3編碼器單元與解碼器單元
8.6表示學習與預訓練技術
8.6.1詞向量
8.6.2加入上下文信息的特徵表示
8.6.3網絡預訓練
8.7小結

實戰篇

第9章搭建捲積神經網絡進行圖像分類
9.1實驗數據準備
9.2數據預處理和準備
9.2.1數據集的讀取
9.2.2重載data.Dataset類
9.2.3transform數據預處理
9.3模型構建
9.3.1ResNet50
9.3.2bottleneck的實現
9.3.3ResNet50捲積層定義
9.3.4ResNet50 forward實現
9.3.5預訓練參數裝載
9.4模型訓練與結果評估
9.4.1訓練類的實現
9.4.2優化器的定義
9.4.3學習率衰減
9.4.4訓練
9.5總結

第10章圖像風格遷移
10.1VGG模型
10.2圖像風格遷移介紹
10.3內容損失函數
10.3.1內容損失函數的定義
10.3.2內容損失模塊的實現
10.4風格損失函數
10.4.1風格損失函數的定義
10.4.2計算Gram矩陣函數的實現
10.4.3風格損失模塊的實現
10.5優化過程
10.6圖像風格遷移主程序的實現
10.6.1圖像預處理
10.6.2參數定義
10.6.3模型初始化
10.6.4運行風格遷移的主函數
10.6.5利用VGG網絡建立損失函數
10.6.6風格遷移的優化過程
10.6.7運行風格遷移

第11章基於RNN的文本分類
11.1數據準備
11.2將名字轉換為張量
11.3構建神經網絡
11.4訓練
11.4.1準備訓練
11.4.2訓練RNN網絡
11.5繪制損失變化圖
11.6預測結果
11.7預測用戶輸入

第12章基於CNN的視頻行為識別
12.1問題描述
12.2源碼結構
12.3數據準備
12.4模型搭建與訓練
12.5特徵圖可視化

第13章實現對抗性樣本生成
13.1威脅模型
13.2快速梯度符號攻擊
13.3代碼實現
13.3.1輸入
13.3.2受到攻擊的模型
13.3.3FGSM攻擊
13.3.4測試功能
13.3.5運行攻擊
13.3.6結果分析
13.4對抗示例
13.5小結

第14章實現基於LSTM的情感分析
14.1情感分析常用的Python工具庫
14.1.1PyTorch
14.1.2tqdm
14.1.3Pandas
14.1.4Gensim
14.1.5collections
14.2數據樣本分析
14.3數據預處理
14.4算法模型
14.4.1循環神經網絡
14.4.2長短期記憶神經網絡
14.4.3模型實現
14.5小結

第15章實現DCGAN
15.1生成對抗網絡
15.2DCGAN介紹
15.3初始化代碼
15.3.1初始化相關庫
15.3.2數據加載
15.4模型實現
15.4.1權重初始化
15.4.2生成器
15.4.3判別器
15.4.4判別器代碼
15.4.5損失函數和優化器
15.4.6訓練
15.5結果
15.5.1損失與訓練迭代次數關系圖
15.5.2生成器G的訓練進度
15.5.3真實圖像與假圖像
15.6小結

第16章視覺問答
16.1視覺問答簡介
16.2基於BottomUp Attention的聯合嵌入模型
16.3準備工作
16.3.1下載數據
16.3.2安裝必備的軟件包
16.3.3使用配置文件
16.4實現基礎模塊
16.4.1FCNet模塊
16.4.2SimpleClassifier模塊
16.5實現問題嵌入模塊
16.5.1詞嵌入
16.5.2RNN
16.6實現TopDown Attention模塊
16.7組裝完整的VQA系統
16.8運行VQA實驗
16.8.1訓練
16.8.2可視化

附錄APyTorch環境搭建
A.1Linux平臺下PyTorch環境搭建
A.2Windows平臺下PyTorch環境搭建

附錄B深度學習的數學基礎
B.1線性代數
B.2概率論
參考文獻