Python深度學(xué)習(xí)：基于PyTorch 第2版

定　價(jià)：￥109.00

作　者：	吳茂貴，郁明敏，楊本法，李濤
出版社：	機(jī)械工業(yè)出版社
叢編項(xiàng)：
標(biāo)　簽：	暫缺

購(gòu)買這本書(shū)可以去

ISBN：	9787111718802	出版時(shí)間：	2023-02-01	包裝：	平裝-膠訂
開(kāi)本：	16開(kāi)	頁(yè)數(shù)：		字?jǐn)?shù)：

內(nèi)容簡(jiǎn)介

　　這是一本能指導(dǎo)讀者快速掌握PyTorch和深度學(xué)習(xí)的著作，從PyTorch的原理到應(yīng)用，從深度學(xué)習(xí)到強(qiáng)化學(xué)習(xí)，本書(shū)提供了全棧解決方案。第1版上市后銷量和口碑俱佳，是深度學(xué)習(xí)領(lǐng)域的暢銷書(shū)，被譽(yù)為PyTorch領(lǐng)域的標(biāo)準(zhǔn)著作。第2版在第1版的基礎(chǔ)上，去蕪存菁，與時(shí)具進(jìn)，根據(jù)PyTorch新版本全面升級(jí)，技術(shù)性、實(shí)戰(zhàn)性、針對(duì)性、豐富性、易讀性均得到了進(jìn)一步提升，必定能幫助讀者更輕松、更高效地進(jìn)入深度學(xué)習(xí)的世界。全書(shū)一共19章，在結(jié)構(gòu)上分為三大部分：第1部分（第1~4章） PyTorch基礎(chǔ)首先有針對(duì)性地講解了Python和PyTorch的基石NumPy中的關(guān)鍵知識(shí)，然后詳細(xì)講解了PyTorch的基礎(chǔ)知識(shí)、神經(jīng)網(wǎng)絡(luò)工具箱和數(shù)據(jù)處理工具箱等內(nèi)容，幫助讀者快速了解和掌握PyTorch。第二部分（第5~10章）深度學(xué)習(xí)基礎(chǔ)依次講解了機(jī)器學(xué)習(xí)、視覺(jué)處理、自然語(yǔ)言處理、注意力機(jī)制、目標(biāo)檢測(cè)、語(yǔ)義分割、生成式深度學(xué)習(xí)等機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的核心技術(shù)的原理和使用。第三部分（第11~17章）深度學(xué)習(xí)實(shí)踐通過(guò)實(shí)戰(zhàn)案例的方式，詳細(xì)講解了PyTorch在人臉檢測(cè)和識(shí)別、遷移學(xué)習(xí)、中英文互譯、圖像分類、語(yǔ)義分割、生成式網(wǎng)絡(luò)、對(duì)抗攻擊等領(lǐng)域的應(yīng)用和解決方案。第四部分（第18-19章）強(qiáng)化學(xué)習(xí)重點(diǎn)介紹了強(qiáng)化學(xué)習(xí)和深度強(qiáng)化學(xué)習(xí)的基礎(chǔ)理論、常用算法及相關(guān)實(shí)例。更為重要的是，為了讓本書(shū)通俗易懂，在內(nèi)容安排和寫(xiě)作方式上也頗花了一番心思。內(nèi)容選擇上，廣泛涉獵、重點(diǎn)突出、注重實(shí)戰(zhàn)；內(nèi)容安排上，實(shí)例切入、由淺入深、循序漸進(jìn)；表達(dá)形式上，深度抽象、化繁為簡(jiǎn)、用圖說(shuō)話。

作者簡(jiǎn)介

　　吳茂貴資深大數(shù)據(jù)和人工智能技術(shù)專家，在BI、數(shù)據(jù)挖掘與分析、數(shù)據(jù)倉(cāng)庫(kù)、機(jī)器學(xué)習(xí)等領(lǐng)域工作超過(guò)20年。在基于Spark、TensorFlow、PyTorch等的機(jī)器學(xué)習(xí)和深度學(xué)習(xí)方面有大量的工程實(shí)踐實(shí)踐。著有《Python深度學(xué)習(xí)：基于TensorFlow》、《深度實(shí)踐Spark機(jī)器學(xué)習(xí)》、《自己動(dòng)手做大數(shù)據(jù)系統(tǒng)》、《深入淺出Embedding原理解析與應(yīng)用實(shí)踐》等暢銷書(shū)。郁明敏資深商業(yè)分析師，從事互聯(lián)網(wǎng)金融算法研究工作，專注于大數(shù)據(jù)、機(jī)器學(xué)習(xí)以及數(shù)據(jù)可視化的相關(guān)領(lǐng)域，擅長(zhǎng) Python、Hadoop、Spark 等技術(shù)，擁有豐富的實(shí)戰(zhàn)經(jīng)驗(yàn)。曾獲“江蘇省TI杯大學(xué)生電子競(jìng)技大賽”二等獎(jiǎng)和“華為杯全國(guó)大學(xué)生數(shù)學(xué)建模大賽”二等獎(jiǎng)。楊本法　高級(jí)算法工程師，工業(yè)表面缺陷檢測(cè)設(shè)備開(kāi)發(fā)架構(gòu)師，在機(jī)器學(xué)習(xí)、文本挖掘、可視化等領(lǐng)域有多年實(shí)踐經(jīng)驗(yàn)。做過(guò)大型電商的推薦系統(tǒng)，知名手機(jī)廠商外殼表面檢測(cè)設(shè)備。熟悉Hadoop、Spark生態(tài)圈的相關(guān)技術(shù)，對(duì)Python有豐富的實(shí)戰(zhàn)經(jīng)驗(yàn)。李濤　資深A(yù)I技術(shù)工程師，任職于攜程（上海）科技有限公司，負(fù)責(zé)酒店排序推薦相關(guān)項(xiàng)目的數(shù)據(jù)分析和算法開(kāi)發(fā)，在計(jì)算機(jī)視覺(jué)技術(shù)和搜索推薦系統(tǒng)有深刻的理解和豐富的實(shí)踐經(jīng)驗(yàn)。張粵磊國(guó)云大數(shù)據(jù)學(xué)院院長(zhǎng)，飛谷云創(chuàng)始人，畢業(yè)于中國(guó)科技大學(xué)，原平安壹錢包大數(shù)據(jù)架構(gòu)師。業(yè)內(nèi)知名大數(shù)據(jù)專家，多部大數(shù)據(jù)暢銷書(shū)作者。2016年以來(lái)每年都以高級(jí)專家和咨詢顧問(wèn)身份深入?yún)⑴c大數(shù)據(jù)、人工智能技術(shù)在行業(yè)的落地應(yīng)用。

圖書(shū)目錄

前言
第1版前言
第一部分　PyTorch基礎(chǔ)
第1章　NumPy基礎(chǔ)知識(shí)2
1.1　生成NumPy數(shù)組3
1.1.1　數(shù)組屬性4
1.1.2　利用已有數(shù)據(jù)生成數(shù)組4
1.1.3　利用 random 模塊生成數(shù)組5
1.1.4　生成特定形狀的多維數(shù)組7
1.1.5　利用arange、linspace
　　　函數(shù)生成數(shù)組8
1.2　讀取數(shù)據(jù)9
1.3　NumPy的算術(shù)運(yùn)算11
1.3.1　逐元素操作11
1.3.2　點(diǎn)積運(yùn)算12
1.4　數(shù)組變形13
1.4.1　修改數(shù)組的形狀13
1.4.2　合并數(shù)組16
1.5　批處理19
1.6　節(jié)省內(nèi)存20
1.7　通用函數(shù)21
1.8　廣播機(jī)制23
1.9　小結(jié)24
第2章　PyTorch基礎(chǔ)知識(shí)25
2.1　為何選擇PyTorch25
2.2　PyTorch的安裝配置26
2.2.1　安裝CPU版PyTorch26
2.2.2　安裝GPU版PyTorch28
2.3　Jupyter Notebook環(huán)境配置30
2.4　NumPy與Tensor31
2.4.1　Tensor概述31
2.4.2　創(chuàng)建Tensor32
2.4.3　修改Tensor形狀34
2.4.4　索引操作35
2.4.5　廣播機(jī)制35
2.4.6　逐元素操作36
2.4.7　歸并操作37
2.4.8　比較操作37
2.4.9　矩陣操作38
2.4.10　PyTorch與NumPy比較39
2.5　Tensor與autograd39
2.5.1　自動(dòng)求導(dǎo)要點(diǎn)40
2.5.2　計(jì)算圖40
2.5.3　標(biāo)量反向傳播41
2.5.4　非標(biāo)量反向傳播42
2.5.5　切斷一些分支的反向傳播45
2.6　使用NumPy實(shí)現(xiàn)機(jī)器學(xué)習(xí)任務(wù)47
2.7　使用Tensor及autograd實(shí)現(xiàn)機(jī)器
　　　學(xué)習(xí)任務(wù)49
2.8　使用優(yōu)化器及自動(dòng)微分實(shí)現(xiàn)機(jī)器
　　　學(xué)習(xí)任務(wù)51
2.9　把數(shù)據(jù)集轉(zhuǎn)換為帶批量處理功能的
　　　迭代器52
2.10　使用TensorFlow 2實(shí)現(xiàn)機(jī)器
　　　學(xué)習(xí)任務(wù)54
2.11　小結(jié)55
第3章　PyTorch神經(jīng)網(wǎng)絡(luò)工具箱56
3.1　神經(jīng)網(wǎng)絡(luò)核心組件56
3.2　構(gòu)建神經(jīng)網(wǎng)絡(luò)的主要工具57
3.2.1　nn.Module57
3.2.2　nn.functional58
3.3　構(gòu)建模型59
3.3.1　繼承nn.Module基類構(gòu)建模型59
3.3.2　使用nn.Sequential按層
　　　順序構(gòu)建模型60
3.3.3　繼承nn.Module基類并應(yīng)用
　　　模型容器來(lái)構(gòu)建模型63
3.3.4　自定義網(wǎng)絡(luò)模塊66
3.4　訓(xùn)練模型68
3.5　實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)實(shí)例69
3.5.1　背景說(shuō)明69
3.5.2　準(zhǔn)備數(shù)據(jù)70
3.5.3　可視化源數(shù)據(jù)71
3.5.4　構(gòu)建模型72
3.5.5　訓(xùn)練模型72
3.6　小結(jié)74
第4章　PyTorch數(shù)據(jù)處理工具箱75
4.1　數(shù)據(jù)處理工具箱概述75
4.2　utils.data76
4.3　torchvision78
4.3.1　transforms78
4.3.2　ImageFolder79
4.4　可視化工具81
4.4.1　TensorBoard簡(jiǎn)介81
4.4.2　用TensorBoard可視化
　　　神經(jīng)網(wǎng)絡(luò)82
4.4.3　用TensorBoard可視化損失值83
4.4.4　用TensorBoard可視化特征圖84
4.5　小結(jié)85
第二部分　深度學(xué)習(xí)基礎(chǔ)
第5 章　機(jī)器學(xué)習(xí)基礎(chǔ)88
5.1　機(jī)器學(xué)習(xí)的基本任務(wù)88
5.1.1　監(jiān)督學(xué)習(xí)89
5.1.2　無(wú)監(jiān)督學(xué)習(xí)89
5.1.3　半監(jiān)督學(xué)習(xí)90
5.1.4　強(qiáng)化學(xué)習(xí)90
5.2　機(jī)器學(xué)習(xí)的一般流程90
5.2.1　明確目標(biāo)91
5.2.2　收集數(shù)據(jù)91
5.2.3　數(shù)據(jù)探索與預(yù)處理91
5.2.4　選擇模型及損失函數(shù)91
5.2.5　評(píng)估及優(yōu)化模型92
5.3　過(guò)擬合與欠擬合93
5.3.1　權(quán)重正則化93
5.3.2　dropout正則化94
5.3.3　批量歸一化97
5.3.4　層歸一化99
5.3.5　權(quán)重初始化99
5.4　選擇合適的激活函數(shù)100
5.5　選擇合適的損失函數(shù)101
5.6　選擇合適的優(yōu)化器103
5.6.1　傳統(tǒng)梯度優(yōu)化算法104
5.6.2　批量隨機(jī)梯度下降法105
5.6.3　動(dòng)量算法106
5.6.4　Nesterov動(dòng)量算法108
5.6.5　AdaGrad算法109
5.6.6　RMSProp算法111
5.6.7　Adam算法112
5.6.8　Yogi算法113
5.6.9　使用優(yōu)化算法實(shí)例114
5.7　GPU加速116
5.7.1　單GPU加速116
5.7.2　多GPU加速117
5.7.3　使用GPU時(shí)的注意事項(xiàng)120
5.8　小結(jié)121
第6章　視覺(jué)處理基礎(chǔ)122
6.1　從全連接層到卷積層122
6.1.1　圖像的兩個(gè)特性123
6.1.2　卷積神經(jīng)網(wǎng)絡(luò)概述124
6.2　卷積層125
6.2.1　卷積核127
6.2.2　步幅129
6.2.3　填充130
6.2.4　多通道上的卷積131
6.2.5　激活函數(shù)134
6.2.6　卷積函數(shù)135
6.2.7　轉(zhuǎn)置卷積136
6.2.8　特征圖與感受野137
6.2.9　全卷積網(wǎng)絡(luò)138
6.3　池化層139
6.3.1　局部池化140
6.3.2　全局池化140
6.4　現(xiàn)代經(jīng)典網(wǎng)絡(luò)142
6.4.1　LeNet-5模型142
6.4.2　AlexNet模型143
6.4.3　VGG模型143
6.4.4　GoogLeNet模型144
6.4.5　ResNet模型145
6.4.6　DenseNet模型146
6.4.7　CapsNet模型148
6.5　使用卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)CIFAR10
　　多分類149<>