PyTorch深度学习简明实战

PyTorch深度学习简明实战

查阅电子书
手机扫码
  • 微信扫一扫

    关注微信公众号

因版权原因待上架

类似推荐

编辑推荐

深度学习与PyTorch实战教程,分为4篇19章,涵盖基础、计算机视觉、自然语言处理与生成网络等领域。

内容简介

本书系统地介绍深度学习及开源框架PyTorch,采用简明的语言进行知识的讲解,注重实战。全书内容分为4篇,共19章,分别为深度学习基础篇、计算机视觉篇、自然语言处理及序列篇、生成网络和目标检测篇。深度学习基础篇(第1~6章)包括PyTorch简介与安装、机器学习基础与线性回归、张量与数据类型、分类问题与多层感知器、多层感知器分类模型与模型训练、梯度下降法与误差反向传播算法。计算机视觉篇(第7~14章)包括计算机视觉与卷积神经网络、卷积入门实例、图像读取与模型保存、多分类问题与卷积模型的优化、迁移学习与数据增强、经典网络模型、 图像定位基础、图像语义分割。自然语言处理及序列篇(第15~17章)包括文本分类与词嵌入、循环神经网络与一维卷积、序列预测实例。生成网络和目标检测篇(第18~19章)包括生成对抗网络、目标识别与目标检测。本书适合人工智能行业的软件工程师、对人工智能感兴趣的学生,同时也非常适合作为深度学习的培训教程。

章节目录

封面页

书名页

版权页

作者简介

内容简介

前言Preface

目录

第1篇 深度学习基础篇

第1章 PyTorch简介与安装

1.1 PyTorch简介

1.2 PyTorch的主要应用

1.3 PyTorch安装

1.3.1 CPU版本PyTorch安装

1.3.2 GPU版本PyTorch安装

1.3.3 安装辅助库和安装测试

1.4 本章小结

第2章 机器学习基础与线性回归

2.1 机器学习基础

2.2 线性回归

2.3 本章小结

第3章 张量与数据类型

3.1 PyTorch张量

3.1.1 初始化张量

3.1.2 张量类型

3.1.3 创建随机值张量

3.1.4 张量属性

3.1.5 将张量移动到显存

3.2 张量运算

3.2.1 与NumPy数据类型的转换

3.2.2 张量的变形

3.3 张量的自动微分

3.4 本章小结

第4章 分类问题与多层感知器

4.1 torchvision库

4.2 加载内置图片数据集

4.3 多层感知器

4.4 激活函数

4.4.1 ReLU激活函数

4.4.2 Sigmoid激活函数

4.4.3 Tanh激活函数

4.4.4 LeakyReLU激活函数

4.5 本章小结

第5章 多层感知器模型与模型训练

5.1 多层感知器模型

5.2 损失函数

5.3 优化器

5.4 初始化模型

5.5 编写训练循环

5.6 本章小结

第6章 梯度下降法、反向传播算法与内置优化器

6.1 梯度下降法

6.2 反向传播算法

6.3 PyTorch内置的优化器

6.3.1 SGD优化器

6.3.2 RMSprop优化器

6.3.3 Adam优化器

6.4 本章小结

第2篇 计算机视觉篇

第7章 计算机视觉与卷积神经网络

7.1 什么是卷积神经网络

7.2 池化层

7.3 卷积神经网络的整体架构

7.4 本章小结

第8章 卷积入门实例

8.1 数据输入

8.2 创建卷积模型并训练

8.3 函数式API

8.4 超参数选择

8.5 本章小结

第9章 图像读取与模型保存

9.1 加载图片数据集

9.2 创建图片分类模型

9.3 模型保存

9.3.1 保存和加载模型权重

9.3.2 保存和恢复检查点

9.3.3 保存最优参数

9.4 本章小结

第10章 多分类问题与卷积模型的优化

10.1 创建自定义Dataset类

10.2 基础卷积模型

10.3 Dropout抑制过拟合

10.4 批标准化

10.5 学习速率衰减

10.6 本章小结

第11章 迁移学习与数据增强

11.1 什么是迁移学习

11.2 数据增强

11.3 微调

11.4 本章小结

第12章 经典网络模型与特征提取

12.1 VGG

12.2 ResNet

12.3 TensorBoard可视化

12.4 ResNetBasicBlock结构

12.5 Inception

12.6 DenseNet

12.7 DenseNet预训练模型提取特征

12.8 本章小结

第13章 图像定位基础

13.1 简单图像定位模型

13.2 数据集观察

13.3 创建模型输入

13.4 创建图像定位模型

13.5 模型保存与测试

13.6 本章小结

第14章 图像语义分割

14.1 常见图像处理任务

14.2 图像语义分割

14.3 U-Net语义分割模型

14.4 创建输入dataset

14.5 反卷积

14.6 U-Net模型代码实现

14.7 模型训练

14.8 模型的保存和预测

14.9 本章小结

第3篇 自然语言处理和序列篇

第15章 文本分类与词嵌入

15.1 文本的数值表示

15.1.1 Word2vec

15.1.2 Glove

15.1.3 Embedding Layer

15.2 torchtext加载内置文本数据集

15.3 创建DataLoader和文本分类模型

15.3.1 Xavier初始化方法

15.3.2 kaiming初始化方法

15.4 本章小结

第16章 循环神经网络与一维卷积神经网络

16.1 循环神经网络的概念

16.2 长短期记忆网络

16.3 门控循环单元

16.4 LSTM和GRU高阶API

16.5 循环神经网络的应用

16.6 中文文本分类实例

16.7 LSTM模型的优化

16.8 一维卷积神经网络

16.9 本章小结

第17章 序列预测实例

17.1 时间序列数据集准备

17.2 序列预测模型

17.3 本章小结

第4篇 生成对抗网络和目标检测篇

第18章 生成对抗网络

18.1 GAN的概念及应用

18.1.1 什么是GAN

18.1.2 GAN的应用

18.2 基本的GAN实例

18.3 深度卷积生成对抗网络

18.4 本章小结

第19章 目标检测

19.1 什么是目标检测

19.2 常用目标检测算法

19.3 PyTorch目标检测模块

19.4 目标检测的图像标注

19.5 使用自行标注数据集训练目标检测模型

19.6 本章小结

参考文献

PyTorch深度学习简明实战是2022年由清华大学出版社出版,作者日月光华。

得书感谢您对《PyTorch深度学习简明实战》关注和支持,如本书内容有不良信息或侵权等情形的,请联系本网站。

购买这本书

你可能喜欢
深度学习程序设计实战 电子书
本书以Python语言和Tensorflow为工具,由浅入深地讲述了深度学习程序设计的基本原理、算法和思考问题的方法,内容包括自顶向下的程序设计、递归程序设计、面向对象的程序设计、反向传播算法、三层神经网络、卷积神经网络、循环神经网络、生成式对抗网络和目标检测等。
PaddlePaddleFluid深度学习入门与实战 电子书
本书全面讲解PaddlePaddle Fluid框架在深度学习领域的应用。
深度学习 电子书
深度学习是机器学习的一个分支,它能够使计算机通过层次概念来学习经验和理解世界。
深度学习 电子书
本书介绍了深度学习的基本概念、算法原理以及实现框架。全书共9章,分别介绍了深度学习的发展历史、神经网络与深度神经网络、卷积神经网络、循环神经网络、深度学习在目标检测和图像描述中的应用、生成对抗网络、深度迁移学习和深度强化学习等,并提供了应用实例。
深度学习与飞桨PaddlePaddle Fluid实战 电子书
飞桨PaddlePaddle是百度推出的深度学习框架,不仅支撑了百度公司的很多业务和应用,而且随着其开源过程的推进,在其他行业得到普及和应用。 本书基于2019年7月4日发布的飞桨PaddlePaddle Fluid 1.5版本(后续版本会兼容旧版本),以真实案例介绍如何应用飞桨PaddlePaddle解决主流的深度学习问题。 本书适合对人工智能感兴趣的学生、从事机器学习相关工作的读者阅读,尤其适合想要通过飞桨PaddlePaddle掌握深度学习应用技术的研究者和从业者参考。 本书包括以下内容: ● 飞桨PaddlePaddle 的核心设计思想; ● PaddlePaddle在MNIST上进行手写数字识别; ● 图像分类网络实现案例; ● “天网”中目标检测和像素级物体分割的实现; ● NLP技术应用案例 :word2vec、情感分析、语义角色标注及机器翻译; ● Paddle-Mobile与Anakin框架等高级主题; ● 飞桨PaddlePaddle与TensorFlow、Caffe框架的常用层对比。