本书以PyTorch深度学习的常用技术与真实案例相结合的方式，深入浅出地介绍使用PyTorch实现深度学习应用的重要内容。本书共7章，内容包括深度学习概述、PyTorch深度学习通用流程、PyTorch深度学习基础、手写汉字识别、文本生成、基于CycleGAN的图像风格转换、基于TipDM大数据挖掘建模平台实现文本生成等。本书大部分章包含实训和课后习题，希望通过练习和操作实践，帮助读者巩固所学的内
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。
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
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
《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
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
电子书
本书是《动手学深度学习》的重磅升级版本，选用经典的PyTorch深度学习框架，旨在向读者交付更为便捷的有关深度学习的交互式学习体验。本书重新修订《动手学深度学习》的所有内容，并针对技术的发展，新增注意力机制、预训练等内容。本书包含15章，第一部分介绍深度学习的基础知识和预备知识，并由线性模型引出最简单的神经网络——多层感知机；第二部分阐述深度学习计算的关键组件、卷积神经网络、循环神经网络、注意力机
电子书
本书基于Python语言，介绍了数据分析、机器学习、深度学习等内容，涉及统计学基础、Python基础、Python面向对象入门、在Python中操作MySQL、Pandas、Matplotlib、人工智能、Scikit-learn、神经网络等。书中包括大量代码和综合练习，以及丰富的实战案例。
电子书
本书使用Python的机器学习算法库scikit-learn讲解机器学习重要算法的应用，内容包括机器学习认知、数据预处理、KNN算法、线性回归算法、逻辑回归算法、朴素贝叶斯算法、决策树与随机森林算法、支持向量机、k-mcans算法、神经网络、模型评估与优化。本书使用通俗易懂的语言、丰富的图表和大量的案例对机器学习的重要算法进行讲解，提供一条从实践出发掌握机器学习知识的途径，读者即使没有很扎实的数学
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
