PyTorch深度學習 pdf epub mobi txt 電子書 下載2025

想要找書就要到 小美書屋

立刻按 ctrl+D收藏本頁

你會得到大驚喜!!

深度學習為世界上的智能係統（比如Google Voice、Siri和Alexa）提供瞭動力。隨著硬件（如GPU）和軟件框架（如PyTorch、Keras、TensorFlow和CNTK）的進步以及大數據的可用性，人們在文本、視覺和分析等領域更容易實施相應問題的解決方案。

本書對當今前沿的深度學習庫PyTorch進行瞭講解。憑藉其易學習性、高效性以及與Python開發的天然親近性，PyTorch獲得瞭深度學習研究人員以及數據科學傢們的關注。本書從PyTorch的安裝講起，然後介紹瞭為現代深度學習提供驅動力的多個基礎模塊，還介紹瞭使用CNN、RNN、LSTM以及其他網絡模型解決問題的方法。本書對多個先進的深度學習架構的概念（比如ResNet、DenseNet、Inception和Seq2Seq）進行瞭闡述，但沒有深挖其背後的數學細節。與GPU計算相關的知識、使用PyTorch訓練模型的方法，以及用來生成文本和圖像的復雜神經網絡（如生成網絡），也在本書中有所涵蓋。

學完本書後，讀者可以使用PyTorch輕鬆開發深度學習應用程序。

第 1章　PyTorch與深度學習 1
1．1　人工智能　1
1．2　機器學習　3
1．3　深度學習　4
1．3．1　深度學習的應用　4
1．3．2　深度學習的浮誇宣傳　6
1．3．3　深度學習發展史　6
1．3．4　為何是現在　7
1．3．5　硬件可用性　7
1．3．6　數據和算法　8
1．3．7　深度學習框架　9
1．4　小結　10
第　2章 神經網絡的構成　11
2．1　安裝PyTorch　11
2．2　實現第 一個神經網絡　12
2．2．1　準備數據　13
2．2．2　為神經網絡創建數據　20
2．2．3　加載數據　24
2．3　小結　25
第3章　深入瞭解神經網絡　26
3．1　詳解神經網絡的組成部分　26
3．1．1　層—神經網絡的基本組成　27
3．1．2　非綫性激活函數　29
3．1．3　PyTorch中的非綫性激活函數　32
3．1．4　使用深度學習進行圖像分類　36
3．2　小結　46
第4章　機器學習基礎　47
4．1　三類機器學習問題　47
4．1．1　有監督學習　48
4．1．2　無監督學習　48
4．1．3　強化學習　48
4．2　機器學習術語　49
4．3　評估機器學習模型　50
4．4　數據預處理與特徵工程　54
4．4．1　嚮量化　54
4．4．2　值歸一化　54
4．4．3　處理缺失值　55
4．4．4　特徵工程　55
4．5　過擬閤與欠擬閤　56
4．5．1　獲取更多數據　56
4．5．2　縮小網絡規模　57
4．5．3　應用權重正則化　58
4．5．4　應用dropout　58
4．5．5　欠擬閤　60
4．6　機器學習項目的工作流　60
4．6．1　問題定義與數據集創建　60
4．6．2　成功的衡量標準　61
4．6．3　評估協議　61
4．6．4　準備數據　62
4．6．5　模型基綫　62
4．6．6　大到過擬閤的模型　63
4．6．7　應用正則化　63
4．6．8　學習率選擇策略　64
4．7　小結　65
第5章　深度學習之計算機視覺　66
5．1　神經網絡簡介　66
5．2　從零開始構建CNN模型　69
5．2．1　Conv2d　71
5．2．2　池化　74
5．2．3　非綫性激活—ReLU　75
5．2．4　視圖　76
5．2．5　訓練模型　77
5．2．6　狗貓分類問題—從零開始構建CNN　80
5．2．7　利用遷移學習對狗貓分類　82
5．3　創建和探索VGG16模型　84
5．3．1　凍結層　85
5．3．2　微調VGG16模型　85
5．3．3　訓練VGG16模型　86
5．4　計算預捲積特徵　88
5．5　理解CNN模型如何學習　91
5．6　CNN層的可視化權重　94
5．7　小結　95
第6章　序列數據和文本的深度學習　96
6．1　使用文本數據　96
6．1．1　分詞　98
6．1．2　嚮量化　100
6．2　通過構建情感分類器訓練詞嚮量　104
6．2．1　下載IMDB數據並對文本分詞　104
6．2．2　構建詞錶　106
6．2．3　生成嚮量的批數據　107
6．2．4　使用詞嚮量創建網絡模型　108
6．2．5　訓練模型　109
6．3　使用預訓練的詞嚮量　110
6．3．1　下載詞嚮量　111
6．3．2　在模型中加載詞嚮量　112
6．3．3　凍結embedding層權重　113
6．4　遞歸神經網絡（RNN）　113
6．5　LSTM　117
6．5．1　長期依賴　117
6．5．2　LSTM網絡　117
6．6　基於序列數據的捲積網絡　123
6．7　小結　125
第7章　生成網絡　126
7．1　神經風格遷移　126
7．1．1　加載數據　129
7．1．2　創建VGG模型　130
7．1．3　內容損失　131
7．1．4　風格損失　131
7．1．5　提取損失　133
7．1．6　為網絡層創建損失函數　136
7．1．7　創建優化器　136
7．1．8　訓練　137
7．2　生成對抗網絡（GAN）　138
7．3　深度捲機生成對抗網絡　139
7．3．1　定義生成網絡　140
7．3．2　定義判彆網絡　144
7．3．3　定義損失函數和優化器　145
7．3．4　訓練判彆網絡　145
7．3．5　訓練生成網絡　146
7．3．6　訓練整個網絡　147
7．3．7　檢驗生成的圖片　148
7．4　語言建模　150
7．4．1　準備數據　151
7．4．2　生成批數據　152
7．4．3　定義基於LSTM的模型　153
7．4．4　定義訓練和評估函數　155
7．4．5　訓練模型　157
7．5　小結　159
第8章　現代網絡架構　160
8．1　現代網絡架構　160
8．1．1　ResNet　160
8．1．2　Inception　168
8．2　稠密連接捲積網絡（DenseNet）　175
8．2．1　DenseBlock　175
8．2．2　DenseLayer　176
8．3　模型集成　180
8．3．1　創建模型　181
8．3．2　提取圖片特徵　182
8．3．3　創建自定義數據集和數據加載器　183
8．3．4　創建集成模型　184
8．3．5　訓練和驗證模型　185
8．4　encoder-decoder架構　186
8．4．1　編碼器　188
8．4．2　解碼器　188
8．5　小結　188
第9章　未來走嚮　189
9．1　未來走嚮　189
9．2　迴顧　189
9．3　有趣的創意應用　190
9．3．1　對象檢測　190
9．3．2　圖像分割　191
9．3．3　PyTorch中的OpenNMT　192
9．3．4　Allen NLP　192
9．3．5　fast．ai—神經網絡不再神秘　192
9．3．6　Open Neural Network Exchange　192
9．4　如何跟上前沿　193
9．5　小結　193
· · · · · · (收起)