深度學習實踐教程

定　價：￥42.00

作　者：	吳微著
出版社：	電子工業(yè)出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

京東 (￥35.20)

ISBN：	9787121393969	出版時間：	2020-08-01	包裝：	平裝
開本：	16開	頁數：	220	字數：

內容簡介

　　本書共分8章，內容包括深度學習基礎、深度學習框架PyTorch的安裝、PyTorch基礎、線性回歸和邏輯回歸、全連接神經網絡、卷積神經網絡、循環(huán)神經網絡及生成式對抗網絡。本書首先從深度學習基礎知識入手，引領讀者動手搭建深度學習框架PyTorch，然后在PyTorch框架下實現深度學習中常用的網絡模型。通過本書，讀者可對深度學習有一個清晰的認識。本書中的程序均可在Windows系統(tǒng)中運行，不受是否具備GPU的限制。本書提供電子課件、源代碼，讀者可登錄“華信教育資源網”（www.hxedu.com.cn）免費下載。書中每章都配有習題和實驗，最后還附有參考答案。本書可作為高等學校本科數據科學與大數據、人工智能、機器人工程等專業(yè)深度學習相關課程的教材，也適合廣大對深度學習有興趣的讀者自學使用。

作者簡介

　　吳微，中國科學院沈陽自動化研究所博士后，副教授，美國普渡大學訪問學者；參與編寫《跨越軟件設計師必備訓練》、《跨越軟考精講精練》系列考試培訓教程，共計100萬字；2016年起承擔本校深度學習算法及應用”本科課程的教學工作，具有豐富的深度學習教學經驗。

圖書目錄

目錄
第1章深度學習基礎 1
1．1 人工智能、機器學習與深度學習 1
1．1．1 人工智能簡介 1
1．1．2 機器學習簡介 2
1．1．3 深度學習簡介 3
1．2 深度學習的三大核心要素 4
1．3 神經元與深度神經網絡 7
1．4 神經網絡中常用的激勵函數 9
1．5 深度學習的優(yōu)勢 13
1．6 常用的深度學習框架 15
本章小結 16
習題 16
第2章深度學習框架PyTorch的安裝 19
2．1 PyTorch介紹 19
2．2 Windows系統(tǒng)中PyTorch的配置 20
2．2．1 安裝Python 20
2．2．2 PyTorch環(huán)境搭建 21
2．3 Linux系統(tǒng)中PyTorch的配置 22
2．3．1 安裝虛擬機 23
2．3．2 Python環(huán)境配置 25
2．3．3 PyTorch環(huán)境搭建 25
2．4 PyTorch開發(fā)工具 26
2．4．1 IDLE 26
2．4．2 PyCharm 27
本章小結 34
習題 34
實驗 35
第3章 PyTorch基礎 36
3．1 Tensor的定義 36
3．2 Tensor的創(chuàng)建 37
3．3 Tensor的形狀調整 39
3．4 Tensor的簡單運算 40
3．5 Tensor的比較 41
3．6 Tensor的數理統(tǒng)計 42
3．7 Tensor與NumPy的互相轉換 43
3．8 Tensor的降維和增維 44
3．9 Tensor的裁剪 46
3．10 Tensor的索引 46
3．11 把Tensor移到GPU上 48
本章小結 49
習題 49
實驗 50
第4章線性回歸和邏輯回歸 54
4．1 回歸 54
4．2 線性回歸 55
4．3 一元線性回歸的代碼實現 58
4．4 梯度及梯度下降法 62
4．4．1 梯度 62
4．4．2 梯度下降法 62
4．5 多元線性回歸的代碼實現 63
4．6 邏輯回歸 65
4．6．1 邏輯回歸 65
4．6．2 邏輯回歸中的損失函數 66
4．6．3 邏輯回歸的代碼實現 66
本章小結 69
習題 69
實驗 70
第5章全連接神經網絡 72
5．1 全連接神經網絡概述 72
5．2 多分類問題 73
5．3 Softmax函數與交叉熵 74
5．4 反向傳播算法 76
5．4．1 鏈式求導法則 76
5．4．2 反向傳播算法實例 77
5．4．3 Sigmoid函數實例 77
5．5 計算機視覺工具包torchvision 78
5．6 全連接神經網絡實現多分類 80
5．6．1 定義全連接神經網絡 80
5．6．2 全連接神經網絡識別MNIST手寫數字 81
本章小結 85
習題 85
實驗 87
第6章卷積神經網絡 88
6．1 前饋神經網絡 88
6．2 卷積神經網絡的原理 89
6．2．1 卷積層 91
6．2．2 池化層 94
6．3 卷積神經網絡的代碼實現 96
6．4 LeNet-5模型 99
6．4．1 LeNet-5模型的架構 99
6．4．2 CIFAR 10數據集 101
6．4．3 LeNet-5模型的代碼實現 101
6．5 VGGNet模型 106
6．5．1 VGGNet模型簡介 106
6．5．2 VGGNet模型的代碼實現 107
6．6 ResNet模型 112
6．6．1 ResNet模型簡介 112
6．6．2 ResNet模型殘差學習單元的代碼實現 113
本章小結 114
習題 114
實驗 115
第7章循環(huán)神經網絡 119
7．1 循環(huán)神經網絡概述 119
7．2 循環(huán)神經網絡的原理 120
7．3 長短時記憶神經網絡 122
7．3．1 長短時記憶神經網絡的原理 122
7．3．2 長短時記憶神經網絡實例1 125
7．3．3 長短時記憶神經網絡實例2 129
本章小結 136
習題 136
實驗 137
第8章生成式對抗網絡 138
8．1 生成式對抗網絡概述 138
8．1．1 生成式對抗網絡的原理 138
8．1．2 生成式對抗網絡的代碼實現 142
8．2 條件生成式對抗網絡 150
8．3 最小二乘生成式對抗網絡 151
本章小結 151
習題 151
實驗 152
附錄A 部分習題與實驗參考答案 153
A．1 第1章習題與實驗參考答案 153
A．2 第2章習題與實驗參考答案 155
A．2．1 習題參考答案 155
A．2．2 實驗參考答案 156
A．3 第3章習題與實驗參考答案 156
A．3．1 習題參考答案 156
A．3．2 實驗參考答案 156
A．4 第4章習題與實驗參考答案 166
A．4．1 習題參考答案 166
A．4．2 實驗參考答案 167
A．5 第5章習題與實驗參考答案 175
A．5．1 習題參考答案 175
A．5．2 實驗參考答案 175
A．6 第6章習題與實驗參考答案 178
A．6．1 習題參考答案 178
A．6．2 實驗參考答案 179
A．7 第7章習題與實驗參考答案 192
A．7．1 習題參考答案 192
A．7．2 實驗參考答案 193
A．8 第8章習題與實驗參考答案 196
A．8．1 習題參考答案 196
A．8．2 實驗參考答案 197
參考文獻 212