PyTorch 編程技術與深度學習

袁梅宇

  • 出版商: 清華大學
  • 出版日期: 2022-06-01
  • 售價: $534
  • 貴賓價: 9.5$507
  • 語言: 簡體中文
  • ISBN: 7302602085
  • ISBN-13: 9787302602088
  • 相關分類: DeepLearning
  • 立即出貨

  • PyTorch 編程技術與深度學習-preview-1
  • PyTorch 編程技術與深度學習-preview-2
  • PyTorch 編程技術與深度學習-preview-3
PyTorch 編程技術與深度學習-preview-1

買這商品的人也買了...

商品描述

《PyTorch編程技術與深度學習》講述深度學習的基本原理,使用PyTorch展示涉及的深度學習算法。通過理論講解和編程操作,使讀者瞭解並掌握深度學習的原理和PyTorch編程技能,拉近理論與實踐的距離。全書共分9章,主要內容包括PyTorch介紹、PyTorch基礎編程、深度學習快速入門、神經網絡訓練與優化、捲積神經網絡原理、捲積神經網絡示例、詞嵌入模型、循環神經網絡原理、NLP示例。書中不但涵蓋成熟的捲積神經網絡和循環神經網絡的原理和示例,還包含一些新的如Transformer和知識蒸餾的內容。全書源代碼全部在Python 3.7.4 + PyTorch 1.9.0版本上調試成功。 《PyTorch編程技術與深度學習》適合深度學習和PyTorch編程人員作為入門和提高的技術參考書使用,也適合用作電腦專業高年級本科生和研究生的教材或教學參考書。

目錄大綱

第1章  PyTorch介紹 1

1.1  深度學習與PyTorch簡介 2

1.1.1  深度學習介紹 2

1.1.2  PyTorch介紹 3

1.2  PyTorch安裝 6

1.2.1  Anaconda下載 6

1.2.2  Windows下安裝PyTorch 7

1.2.3  Linux Ubuntu下安裝PyTorch 8

1.2.4  Anaconda管理 9

1.3  常用數據集 12

1.3.1  MNIST數據集 12

1.3.2  Fashion-MNIST數據集 14

1.3.3  CIFAR-10數據集 17

1.3.4  Dogs vs. Cats數據集 19

1.3.5  AG_NEWS數據集 20

1.3.6  WikiText2數據集 22

1.3.7  QIQC數據集 23

1.3.8  Multi30k數據集 24

習題 25

第2章  PyTorch基礎編程 27

2.1  張量數據操作 28

2.1.1  張量簡介 28

2.1.2  張量操作 28

2.1.3  廣播機制 45

2.1.4  在GPU上使用Tensor 48

2.2  自動求導 50

2.2.1  自動求導概念 50

2.2.2  自動求導示例 50

2.3  數據集API 53

2.3.1  自定義數據集類 53

2.3.2  DataLoader類 55

2.4  torchvision工具示例 57

2.4.1  編寫簡單的圖像數據集 57

2.4.2  Transforms模塊 59

2.4.3  Normalize用法 61

2.4.4  ImageFolder用法 62

2.5  torchtext工具示例 64

2.5.1  編寫文本預處理程序 64

2.5.2  使用torchtext 67

習題 70

第3章  深度學習快速入門 71

3.1  線性回歸 72

3.1.1  線性回歸介紹 72

3.1.2  線性回歸實現 76

3.2  使用nn模塊構建線性回歸模型 82

3.2.1  使用nn.Linear訓練線性回歸模型 82

3.2.2  使用nn.Sequential訓練線性回歸模型 85

3.2.3  使用nn.Module訓練線性回歸模型 87

3.3  邏輯回歸 88

3.3.1  邏輯回歸介紹 89

3.3.2  邏輯回歸實現 91

3.4  Softmax回歸 96

3.4.1  Softmax回歸介紹 96

3.4.2  Softmax回歸實現 98

3.5  神經網絡 103

3.5.1  神經元 103

3.5.2  激活函數 104

3.5.3  神經網絡原理 108

3.5.4  PyTorch神經網絡編程 111

習題 116

第4章  神經網絡訓練與優化 119

4.1  神經網絡迭代概念 120

4.1.1  訓練誤差與泛化誤差 120

4.1.2  訓練集、驗證集和測試集

劃分 121

4.1.3  偏差與方差 123

4.2  正則化方法 124

4.2.1  提前終止 125

4.2.2  正則化 126

4.2.3  Dropout 127

4.3  優化算法 129

4.3.1  小批量梯度下降 130

4.3.2  Momentum算法 131

4.3.3  RMSProp算法 134

4.3.4  Adam算法 137

4.4  PyTorch的初始化函數 139

4.4.1  普通初始化 139

4.4.2  Xavier初始化 140

4.4.3  He初始化 141

習題 142

第5章  捲積神經網絡原理 145

5.1  CNN介紹 146

5.1.1  CNN與圖像處理 146

5.1.2  捲積的基本原理 146

5.1.3  池化的基本原理 155

5.2  簡單的CNN網絡 158

5.2.1  定義網絡模型 158

5.2.2  模型訓練 160

5.2.3  模型評估 160

5.2.4  主函數 161

5.3  PyTorch實現LeNet-5網絡 163

5.3.1  LeNet-5介紹 163

5.3.2  LeNet-5實現MNIST手寫數字識別 164

5.3.3  LeNet-5實現CIFAR-10圖像識別 168

習題 170

第6章  捲積神經網絡示例 171

6.1  經典CNN網絡 172

6.1.1  VGG 172

6.1.2  ResNet 173

6.1.3  Inception 175

6.1.4  Xception 178

6.1.5  ResNet代碼研讀 179

6.2  使用預訓練的CNN 185

6.2.1  特徵抽取 186

6.2.2  微調 194

6.3  知識蒸餾 197

6.3.1  知識蒸餾原理 197

6.3.2  知識蒸餾示例 199

6.4  CNN可視化 204

6.4.1  中間激活可視化 205

6.4.2  過濾器可視化 212

習題 214

第7章  詞嵌入模型 215

7.1  詞嵌入模型介紹 216

7.1.1  獨熱碼 216

7.1.2  詞嵌入 222

7.2  詞嵌入學習 225

7.2.1  詞嵌入學習的動機 226

7.2.2  Skip-Gram算法 227

7.2.3  CBOW算法 229

7.2.4  負採樣 230

7.2.5  GloVe算法 234

7.3  Word2Vec算法實現 235

7.3.1  Skip-Gram實現 235

7.3.2  CBOW實現 239

7.3.3  負採樣Skip-Gram實現 243

習題 248

第8章  循環神經網絡原理 251

8.1  RNN介紹 252

8.1.1  有記憶的神經網絡 252

8.1.2  RNN用途 255

8.2  基本RNN模型 259

8.2.1  基本RNN原理 259

8.2.2  基本RNN的訓練問題 263

8.2.3  基本RNN編程 265

8.2.4  基本RNN示例 269

8.3  LSTM 275

8.3.1  LSTM原理 275

8.3.2  LSTM編程 279

8.4  GRU 280

8.4.1  GRU原理 280

8.4.2  GRU編程 282

8.5  註意力機制 283

8.5.1  Seq2Seq模型的缺陷 283

8.5.2  機器翻譯中的註意力機制 284

8.6  Transformer模型 286

8.6.1  編碼器 287

8.6.2  多頭註意力層 288

8.6.3  前向層 289

8.6.4  位置編碼 289

8.6.5  解碼器 290

8.6.6  解碼器層 291

8.6.7  Transformer的PyTorch

實現 291

習題 292

第9章  NLP示例 295

9.1  情感分析 296

9.1.1  AG NEWS示例 296

9.1.2  Quora競賽示例 301

9.2  語言模型 310

9.3  文本序列數據生成 316

9.3.1  向莎士比亞學寫詩 316

9.3.2  神經機器翻譯 324

習題 333

參考文獻 335