本书以深度学习框架PyTorch为基础，介绍机器学习的基础知识与常用方法，全面细致地提供了基本机器学习操作的原理和在深度学习框架下的实践步骤。全书共16章，主要分别介绍了深度学习基础知识、深度学习框架及其对比，机器学习基础知识，深度学习框架基础，Logistic回归，多层感知器，计算机视觉，自然语言处理以及8个实战案例。本书将理论与实践紧密结合，相信能为读者提供有益的学习指导。??本书适合Pyth
电子书
内容简介
《Python 深度学习》以深度学习框架为基础，介绍机器学习的基础知识与常用方法，全面细致地提供了机器学习操作的原理及其在深度学习框架下的实践步骤。全书共16章，分别介绍了深度学习基础知识、深度学习框架及其对比、机器学习基础知识、深度学习框架（以PyTorch为例）基础、Logistic回归、多层感知器、卷积神经网络与计算机视觉、神经网络与自然语言处理以及8个实战案例。本书将理论与实践紧密结合，相信能为读者提供有益的学习指导。 《Python 深度学习》适合Python深度学习初学者、机器学习算法分析从业人员以及高等院校计算机科学、软件工程等相关专业的师生阅读。
章节目录
- 封面
- 书名页
- 版权页
- 前言
- 目录
- 第1章 深度学习简介
- 1.1 计算机视觉
- 1.1.1 定义
- 1.1.2 基本任务
- 1.1.3 传统方法
- 1.1.4 仿生学与深度学习
- 1.1.5 现代深度学习
- 1.1.6 卷积神经网络
- 1.2 自然语言处理
- 1.2.1 自然语言处理的基本问题
- 1.2.2 传统方法与神经网络方法的比较
- 1.2.3 发展趋势
- 1.3 强化学习
- 1.3.1 什么是强化学习
- 1.3.2 强化学习算法简介
- 1.3.3 强化学习的应用
- 1.4 本章小结
- 第2章 深度学习框架及其对比
- 2.1 Caffe
- 2.1.1 Caffe简介
- 2.1.2 Caffe的特点
- 2.1.3 Caffe层及其网络
- 2.2 TensorFlow
- 2.2.1 TensorFlow简介
- 2.2.2 数据流图
- 2.2.3 TensorFlow的特点
- 2.2.4 TensorFlow的计算形式
- 2.3 PyTorch
- 2.3.1 PyTorch简介
- 2.3.2 PyTorch的特点
- 2.3.3 PyTorch的最大优势
- 2.4 三者的比较
- 2.5 本章小结
- 第3章 机器学习基础知识
- 3.1 模型评估与模型参数选择
- 3.1.1 验证
- 3.1.2 正则化
- 3.2 监督学习与非监督学习
- 3.2.1 监督学习
- 3.2.2 非监督学习
- 3.3 本章小结
- 第4章 PyTorch深度学习基础
- 4.1 Tensor对象及其运算
- 4.2 Tensor的索引和切片
- 4.3 Tensor的变换、拼接和拆分
- 4.4 PyTorch的Reduction操作
- 4.5 PyTorch的自动微分Autograd
- 4.6 本章小结
- 第5章 回归模型
- 5.1 线性回归
- 5.2 Logistic回归
- 5.3 用PyTorch实现Logistic回归
- 5.3.1 数据准备
- 5.3.2 线性方程
- 5.3.3 激活函数
- 5.3.4 损失函数
- 5.3.5 优化算法
- 5.3.6 模型可视化
- 5.4 本章小结
- 第6章 多层感知器
- 6.1 基础概念
- 6.2 感知器
- 6.2.1 单层感知器
- 6.2.2 多层感知器
- 6.3 BP神经网络
- 6.3.1 梯度下降
- 6.3.2 后向传播
- 6.4 Dropout正则化
- 6.5 批标准化
- 6.5.1 批标准化的实现方式
- 6.5.2 批标准化的使用方法
- 6.6 本章小结
- 第7章 卷积神经网络与计算机视觉
- 7.1 卷积神经网络的基本思想
- 7.2 卷积操作
- 7.3 池化层
- 7.4 卷积神经网络
- 7.5 经典网络结构
- 7.5.1 VGG网络
- 7.5.2 InceptionNet
- 7.5.3 ResNet
- 7.6 用PyTorch进行手写数字识别
- 7.7 本章小结
- 第8章 神经网络与自然语言处理
- 8.1 语言建模
- 8.2 基于多层感知器的架构
- 8.3 基于循环神经网络的架构
- 8.3.1 循环单元
- 8.3.2 通过时间后向传播
- 8.3.3 带有门限的循环单元
- 8.3.4 循环神经网络语言模型
- 8.3.5 神经机器翻译
- 8.4 基于卷积神经网络的架构
- 8.5 基于Transformer的架构
- 8.5.1 多头注意力
- 8.5.2 非参位置编码
- 8.5.3 编码器单元与解码器单元
- 8.6 表示学习与预训练技术
- 8.6.1 词向量
- 8.6.2 加入上下文信息的特征表示
- 8.6.3 网络预训练
- 8.7 本章小结
- 第9章 使用TensorFlow进行基于YOLO V3的安全帽佩戴检测
- 9.1 数据准备
- 9.1.1 数据采集与标注
- 9.1.2 模型和框架选择
- 9.1.3 数据格式转换
- 9.2 模型构建、训练和测试
- 9.2.1 YOLO系列模型
- 9.2.2 模型训练
- 9.2.3 测试与结果
- 9.3 本章小结
- 第10章 使用Keras进行人脸关键点检测
- 10.1 深度学习模型
- 10.1.1 数据集获取
- 10.1.2 卷积神经网络的搭建与训练
- 10.2 模型评价
- 10.3 本章小结
- 第11章 使用PyTorch实现基于卷积神经网络的充电宝识别
- 11.1 机器学习常用的Python工具库
- 11.1.1 PyTorch
- 11.1.2 NumPy
- 11.2 数据样本分析
- 11.3 数据预处理
- 11.4 算法模型
- 11.4.1 卷积神经网络
- 11.4.2 激活函数
- 11.4.3 模型建立
- 11.5 本章小结
- 第12章 使用PyTorch实现基于词级别的情感分析
- 12.1 数据集的处理
- 12.2 模型的搭建
- 12.2.1 MemNet模型
- 12.2.2 IAN模型
- 12.2.3 AOA模型
- 12.3 训练和评测
- 12.4 本章小结
- 第13章 基于生成式对抗网络（GAN）生成动漫人物
- 13.1 反卷积网络与GAN
- 13.2 DCGAN
- 13.3 基于DCGAN的动漫人物生成
- 13.4 本章小结
- 第14章 使用Keras进行基于迁移学习的电影评论分类
- 14.1 迁移学习概述
- 14.2 IMDB数据集
- 14.3 构建模型解决IMDB数据集分类问题
- 14.4 本章小结
- 第15章 使用PyTorch实现图像超分辨
- 15.1 SRCNN介绍
- 15.2 技术方案及核心代码
- 15.2.1 训练的几个要点
- 15.2.2 构造数据
- 15.2.3 构建SRCNN的结构
- 15.2.4 训练模型
- 15.3 本章小结
- 第16章 使用Keras搭建人工神经网络来生成原创音乐
- 16.1 样例背景介绍
- 16.1.1 循环神经网络
- 16.1.2 Music21
- 16.1.3 Keras
- 16.2 项目结构设计
- 16.3 实践步骤
- 16.3.1 搭建实验环境
- 16.3.2 观察并分析数据
- 16.3.3 数据预处理
- 16.3.4 模型构建
- 16.3.5 生成音乐
- 16.4 成果检验
- 16.5 本章小结
- 附录
- 附录A PyTorch环境搭建
- A.1 Linux平台下PyTorch环境搭建
- A.2 Windows平台下PyTorch环境搭建
- 附录B TensorFlow深度学习环境介绍与搭建
- B.1 TensorFlow与Keras
- B.2 Anaconda的介绍与安装配置
- B.3 PyCharm的安装与配置
- 附录C 深度学习的数学基础
- C.1 线性代数
- C.2 概率论
- 参考文献
- 封底
展开全部
Python 深度学习是2020年由机械工业出版社出版,作者吕云翔 刘卓然 关捷雄 等编著。
温馨提示：
1.本电子书已获得正版授权，由出版社通过知传链发行。
2.该电子书为虚拟物品，付费之后概不接收任何理由退款。电子书内容仅支持在线阅读，不支持下载。
3.您在本站购买的阅读使用权仅限于您本人阅读使用，您不得/不能给任何第三方使用，由此造成的一切相关后果本平台保留向您追偿索赔的权利！版权所有，后果自负！
得书感谢您对《Python 深度学习》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。
电子书
电子书
本书分为三个部分。第一部分是原理篇，实现了MatrixSlow框架的核心基础设施，并基于此讲解了机器学习与深度学习的概念和原理。第二部分是模型篇，介绍了多种具有代表性的模型，包括逻辑回归、多层全连接神经网络、因子分解机、Wide&Deep、DeepFM、循环神经网络以及卷积神经网络，这部分除了着重介绍这些模型的原理、结构以及它们之间的联系外，还用MatrixSlow框架搭建并训练它们以解决实际问题
电子书
本书基于Python以及两个深度学习框架Keras与TensorFlow，讲述深度学习在实际项目中的应用。本书共10章，首先介绍线性回归模型、逻辑回归模型、Softmax多分类器，然后讲述全连接神经网络、神经网络模型的优化、卷积神经网络、循环神经网络，最后讨论自编码模型、对抗生成网络、深度强化学习。
电子书
本书是面向计算机及相关专业的专业英语课程的教材，它全面介绍和讲解了深刻影响着我们生活的信息技术，内容包括**新科研成果、业界前沿课题和发展趋势，又有计算机文化典故和名人轶事等。本教材注重英语听、说、读、写、译的全面发展和实际应用。各章内容均分为阅读与翻译、写作、听说三大部分。听、说、读、写、译全方位训练可使读者掌握英语交流所具备的基本技能及计算机相关知识。
电子书
本书共12章，内容涉及软件与软件工程、软件过程、可行性研究与项目开发计划、结构化分析、结构化设计、面向对象方法与统一建模语言、面向对象分析、软件体系结构与设计模式、面向对象设计、软件实现、软件测试与维护、软件工程管理。
电子书
本书较为全面、系统地介绍了当前软件测试领域的理论和实践知识，涵盖了最新的软件测试理论、标准、技术和工具。全书共14章，内容包括软件测试概述、软件测试模型、静态测试与动态测试、白盒测试、黑盒测试、单元测试、集成测试、系统测试、验收测试、软件测试管理、面向对象软件测试、软件测试自动化、缺陷跟踪管理、单元测试工具JUnit、接口测试工具、负载测试工具LoadRunner、网上书店系统测试、生活小工具微服
电子书
用户界面在当下的网络世界中无处不在，是人与计算机进行交流的窗口。《UI交互设计与开发实战》从软件工程的角度出发，以软件周期开发模型为参考，深入讲解了用户界面设计中各环节的具体内容，并以丰富的图片案例形式介绍用户界面设计如何将交互体验与视觉美观融为一体，也使用了大量可读代码展示用户界面是如何实现的。《UI交互设计与开发实战》分为三部分：第壹部分（第1章）主要介绍用户界面历史及界面设计的相关概念，阐述
电子书
机器学习是人工智能领域一个极其重要的研究方向，而深度学习则是机器学习中一个非常接近AI的分支，其思路在于建立进行分析学习的神经网络，模仿人脑感知与组织的方式，根据输入数据做出决策。深度学习在快速的发展过程中，不断有与其相关的产品推向市场，显然，深度学习的应用将会日趋广泛。《Python深度学习：逻辑、算法与编程实战》是关于深度学习的理论、算法、应用的实战教程，内容涵盖深度学习的语言、学习环境、典型
