电子书
内容简介
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
- 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
- 1.2 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
- 2.1 Caffe
- 2.1.1 什么是Caffe
- 2.1.2 Caffe 的特点
- 2.1.3 Caffe 概述
- 2.2 TensorFlow
- 2.2.1 什么是TensorFlow
- 2.2.2 数据流图
- 2.2.3 TensorFlow 的特点
- 2.2.4 TensorFlow 概述
- 2.3 PyTorch
- 2.3.1 什么是PyTorch
- 2.3.2 PyTorch 的特点
- 2.3.3 PyTorch 概述
- 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
- 4.6 本章小结
- 第5 章Logistic 回归
- 5.1 线性回归简介
- 5.2 Logistic 回归简介
- 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 章神经网络基础
- 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 反向传播
- 6.4 Dropout 正则化
- 6.5 Batch Normalization
- 6.5.1 Batch Normalization 的实现方式
- 6.5.2 Batch Normalization 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 通过时间反向传播
- 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 章实战：使用PyTorch 实现基于卷积神经网络模型的图像分类与数据可视化
- 9.1 卷积神经网络模型
- 9.1.1 卷积神经网络模型的发展
- 9.1.2 Tensorboard
- 9.2 卷积神经网络模型与Tensorboard 实战
- 9.2.1 FashionMNIST 数据集
- 9.2.2 数据准备与模型搭建
- 9.2.3 Tensorboard 的使用
- 9.3 本章小结
- 第10 章实战：使用PyTorch 实现基于textCNN 的文本分类
- 10.1 文本分类常用的Python 工具库
- 10.2 数据集
- 10.3 算法模型
- 10.3.1 模型介绍
- 10.3.2 模型实现
- 10.3.3 模型结果
- 10.4 本章小结
- 第11 章实战：使用PyTorch 搭建卷积神经网络进行音频转化
- 11.1 数据集准备
- 11.2 数据预处理
- 11.2.1 数据集读取
- 11.2.2 音频文件分段
- 11.2.3 CQT
- 11.3 模型构建
- 11.3.1 激活函数
- 11.3.2 模型分析
- 11.3.3 ReLU 激活函数的定义和实现
- 11.3.4 flatten 函数平整层处理
- 11.3.5 sigmoid 激活函数
- 11.4 模型训练与结果评估
- 11.4.1 adam 优化器
- 11.4.2 学习率策略定义
- 11.4.3 准确度验证
- 11.4.4 训练
- 11.5 本章小结
- 第12 章实战：使用PyTorch 实现YOLOv3 的验证码识别
- 12.1 YOLOv3
- 12.1.1 YOLOv3 概述
- 12.1.2 YOLOv3 与PyTorch
- 12.1.3 YOLOv3 案例的意义
- 12.2 目标检测案例：验证码中的简单文字识别
- 12.2.1 YOLOv3 的安装和文档
- 12.2.2 训练集的获取和数据标注
- 12.2.3 模型训练
- 12.2.4 模型的测试与预览
- 12.3 YOLO 的其他拓展
- 12.4 本章小结
- 第13 章实战：使用PyTorch 实现基于预训练模型的文本情感分析
- 13.1 模型介绍
- 13.1.1 预训练模型
- 13.1.2 BERT
- 13.2 情感分类介绍
- 13.2.1 文本情感分析
- 13.2.2 BERT 情感分析原理简析
- 13.3 环境搭建
- 13.3.1 环境选择
- 13.3.2 Conda 简介
- 13.3.3 Huggingface-Transformer 简介
- 13.3.4 Huggingface-Transformer 下载
- 13.4 数据集获取
- 13.5 模型微调
- 13.6 效果测评
- 13.7 本章小结
- 第14 章实战：用PyTorch 进行视频处理
- 14.1 数据准备
- 14.2 数据预处理
- 14.2.1 数据集的读取
- 14.2.2 视频关键帧的提取
- 14.3 模型构建
- 14.3.1 ResNet-18 提取关键帧的特征
- 14.3.2 L2 正则化关键帧特征
- 14.3.3 视频相似度匹配
- 14.3.4 帧级相似度匹配
- 14.4 模型训练与结果评估
- 14.4.1 训练函数的实现
- 14.4.2 训练结果提交
- 14.5 本章小结
- 第15 章实战：使用PyTorch 在跨域数据集上进行图像分类
- 15.1 迁移学习
- 15.2 跨域数据集
- 15.3 ResNet-50
- 15.4 案例分析
- 15.4.1 数据预处理
- 15.4.2 读取数据
- 15.4.3 训练
- 15.5 本章小结
- 第16 章实战：使用PyTorch 实现基于BERT 的自动新闻文本分类
- 16.1 文本分类概述
- 16.2 BERT 简介
- 16.3 数据预处理
- 16.4 模型实现
- 16.5 本章小结
- 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深度学习的数学基础
- B.1 线性代数
- B.2 概率论
展开全部
Python深度学习实战——基于Pytorch是2021年由人民邮电出版社出版,作者主编。
版权说明：本电子书已获得正版授权，由出版社通过知传链发行。
得书感谢您对《Python深度学习实战——基于Pytorch》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
电子书
