PyTorch與深度學習實戰(zhàn)

定　價：￥49.80

作　者：	胡小春，劉雙星
出版社：	人民郵電出版社
叢編項：
標　簽：	暫缺

ISBN：	9787115628503	出版時間：	2023-11-01	包裝：	平裝
開本：	16開	頁數(shù)：	197	字數(shù)：

內(nèi)容簡介

　　本書以PyTorch深度學習的常用技術與真實案例相結合的方式，深入淺出地介紹使用PyTorch實現(xiàn)深度學習應用的重要內(nèi)容。本書共7章，內(nèi)容包括深度學習概述、PyTorch深度學習通用流程、PyTorch深度學習基礎、手寫漢字識別、文本生成、基于CycleGAN的圖像風格轉(zhuǎn)換、基于TipDM大數(shù)據(jù)挖掘建模平臺實現(xiàn)文本生成等。本書大部分章包含實訓和課后習題，希望通過練習和操作實踐，幫助讀者鞏固所學的內(nèi)容。本書可以作為高等學校數(shù)據(jù)科學與大數(shù)據(jù)技術或人工智能相關專業(yè)的教材，也可作為深度學習愛好者的自學用書。

作者簡介

　　胡小春，廣西財經(jīng)學院，副教授，主要研究大數(shù)據(jù)分析與智能計算方向；近五年主持與參與、省部級科研課題5項、市廳級項目3項，在《小型微型計算機系統(tǒng)》、《農(nóng)業(yè)機械學報》等期刊發(fā)表學術論文30余篇，主持、參與省部級教改項目5項，主講《計算機網(wǎng)絡》、《數(shù)據(jù)庫原理》等課程，主編與參編北京理工大學出版社的《計算機基礎實踐教程》和《Python程序設計》，指導學生獲互聯(lián)網(wǎng)+、程序設計大賽等、省部級專業(yè)競賽賽一、二、三等獎多項獎項。

圖書目錄

第 1章　深度學習概述　1
1.1　深度學習簡介　1
1.1.1　深度學習的定義　1
1.1.2　深度學習的常見應用　2
1.2　深度學習與應用領域　9
1.2.1　深度學習與計算機視覺　9
1.2.2　深度學習與自然語言處理　10
1.2.3　深度學習與語音識別　11
1.2.4　深度學習與機器學習　12
1.2.5　深度學習與人工智能　13
1.3　PyTorch簡介　14
1.3.1　各深度學習框架對比　14
1.3.2　PyTorch生態(tài)　16
1.3.3　PyTorch特點　17
1.3.4　PyTorch安裝　17
1.4　PyTorch中的預訓練模型　23
1.4.1　預訓練模型的概念　23
1.4.2　預訓練模型的使用場景　24
1.4.3　PyTorch預訓練模型的調(diào)用方法　25
小結　26
課后習題　26
第 2章　PyTorch深度學習通用流程　28
2.1　數(shù)據(jù)加載與預處理　29
2.1.1　數(shù)據(jù)加載　29
2.1.2　數(shù)據(jù)預處理　30
2.1.3　加載及預處理貓狗分類數(shù)據(jù)　37
2.2　構建網(wǎng)絡　42
2.2.1　常用的網(wǎng)絡構建方法　42
2.2.2　激活函數(shù)　46
2.2.3　構建基于卷積神經(jīng)網(wǎng)絡的貓狗分類網(wǎng)絡　50
2.3　編譯網(wǎng)絡　53
2.3.1　損失函數(shù)　53
2.3.2　優(yōu)化器　56
2.3.3　編譯基于卷積神經(jīng)網(wǎng)絡的貓狗分類網(wǎng)絡　59
2.4　訓練網(wǎng)絡　60
2.4.1　迭代次數(shù)　60
2.4.2　批訓練　61
2.4.3　訓練基于卷積神經(jīng)網(wǎng)絡的貓狗分類網(wǎng)絡　61
2.5　性能評估　62
2.5.1　評估指標　62
2.5.2　評估基于卷積神經(jīng)網(wǎng)絡的貓狗分類模型的性能　63
小結　66
實訓　CIFAR-10圖像分類　66
課后習題　67
第3章　PyTorch深度學習基礎　68
3.1　卷積神經(jīng)網(wǎng)絡基礎　68
3.1.1　常用的卷積神經(jīng)網(wǎng)絡算法及其結構　68
3.1.2　卷積神經(jīng)網(wǎng)絡中的常用網(wǎng)絡層　72
3.1.3　基于卷積神經(jīng)網(wǎng)絡的手寫數(shù)字識別　87
3.2　循環(huán)神經(jīng)網(wǎng)絡基礎　97
3.2.1　常用的循環(huán)神經(jīng)網(wǎng)絡算法及其結構　97
3.2.2　循環(huán)神經(jīng)網(wǎng)絡中的常用網(wǎng)絡層　101
3.2.3　基于LSTM網(wǎng)絡的時間序列分析　111
3.3　生成對抗網(wǎng)絡基礎　115
3.3.1　常用的生成對抗網(wǎng)絡算法及其結構　115
3.3.2　基于生成對抗網(wǎng)絡的手寫數(shù)字圖像生成　119
小結　126
實訓1　基于卷積神經(jīng)網(wǎng)絡的人臉表情識別　126
實訓2　基于循環(huán)神經(jīng)網(wǎng)絡的文本情感分類　126
實訓3　基于生成對抗網(wǎng)絡的人物圖片生成　127
課后習題　127
第4章　手寫漢字識別　129
4.1　目標分析　129
4.1.1　背景　129
4.1.2　分析目標　130
4.1.3　項目工程結構　131
4.2　加載數(shù)據(jù)　132
4.2.1　定義生成圖像集路徑文檔的函數(shù)　132
4.2.2　定義讀取并轉(zhuǎn)換圖像數(shù)據(jù)格式的類　133
4.2.3　加載圖像數(shù)據(jù)　134
4.3　構建網(wǎng)絡　135
4.4　編譯網(wǎng)絡　137
4.5　訓練網(wǎng)絡　138
4.6　性能評估　138
4.7　模型預測　140
小結　140
實訓　手寫中文數(shù)字識別　141
課后習題　141
第5章　文本生成　142
5.1　目標分析　142
5.1.1　背景　142
5.1.2　分析目標　143
5.1.3　項目工程結構　143
5.2　文本預處理　144
5.2.1　處理數(shù)據(jù)　144
5.2.2　創(chuàng)建字典　145
5.2.3　生成序列　146
5.3　構建網(wǎng)絡　148
5.3.1　定義文本生成類的構造方法　149
5.3.2　初始化權重　150
5.3.3　設置數(shù)據(jù)在網(wǎng)絡中的流動方向　151
5.4　訓練網(wǎng)絡　153
5.4.1　設置配置項　153
5.4.2　執(zhí)行訓練　154
5.4.3　定義文本生成器　156
5.5　結果分析　159
小結　160
實訓　基于LSTM網(wǎng)絡的文本生成　160
課后習題　161
第6章　基于CycleGAN的圖像風格轉(zhuǎn)換　162
6.1　目標分析　162
6.1.1　背景　162
6.1.2　分析目標　163
6.1.3　項目工程結構　164
6.2　數(shù)據(jù)準備　164
6.3　構建網(wǎng)絡　166
6.3.1　殘差網(wǎng)絡　167
6.3.2　生成器　167
6.3.3　判別器　169
6.3.4　緩存隊列　170
6.4　訓練網(wǎng)絡　171
6.5　結果分析　175
小結　176
實訓　基于CycleGAN實現(xiàn)冬天與夏天的圖像風格轉(zhuǎn)換　176
課后習題　177
第7章　基于TipDM大數(shù)據(jù)挖掘建模平臺實現(xiàn)文本生成　178
7.1　平臺簡介　178
7.1.1　共享庫　180
7.1.2　數(shù)據(jù)連接　180
7.1.3　數(shù)據(jù)集　180
7.1.4　我的工程　181
7.1.5　個人組件　184
7.2　實現(xiàn)文本生成　184
7.2.1　配置數(shù)據(jù)源　185
7.2.2　文本預處理　187
7.2.3　構建網(wǎng)絡　189
7.2.4　訓練網(wǎng)絡　191
7.2.5　結果分析　195
小結　197
實訓　通過TipDM平臺實現(xiàn)基于LSTM網(wǎng)絡的文本生成　197
課后習題　197