Python深度學習：基于PyTorch 第2版

定　價：￥109.00

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

購買這本書可以去

ISBN：	9787111718802	出版時間：	2023-02-01	包裝：	平裝-膠訂
開本：	16開	頁數(shù)：		字數(shù)：

內(nèi)容簡介

　　這是一本能指導讀者快速掌握PyTorch和深度學習的著作，從PyTorch的原理到應用，從深度學習到強化學習，本書提供了全棧解決方案。第1版上市后銷量和口碑俱佳，是深度學習領域的暢銷書，被譽為PyTorch領域的標準著作。第2版在第1版的基礎上，去蕪存菁，與時具進，根據(jù)PyTorch新版本全面升級，技術性、實戰(zhàn)性、針對性、豐富性、易讀性均得到了進一步提升，必定能幫助讀者更輕松、更高效地進入深度學習的世界。全書一共19章，在結構上分為三大部分：第1部分（第1~4章） PyTorch基礎首先有針對性地講解了Python和PyTorch的基石NumPy中的關鍵知識，然后詳細講解了PyTorch的基礎知識、神經(jīng)網(wǎng)絡工具箱和數(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）深度學習基礎依次講解了機器學習、視覺處理、自然語言處理、注意力機制、目標檢測、語義分割、生成式深度學習等機器學習和深度學習的核心技術的原理和使用。第三部分（第11~17章）深度學習實踐通過實戰(zhàn)案例的方式，詳細講解了PyTorch在人臉檢測和識別、遷移學習、中英文互譯、圖像分類、語義分割、生成式網(wǎng)絡、對抗攻擊等領域的應用和解決方案。第四部分（第18-19章）強化學習重點介紹了強化學習和深度強化學習的基礎理論、常用算法及相關實例。更為重要的是，為了讓本書通俗易懂，在內(nèi)容安排和寫作方式上也頗花了一番心思。內(nèi)容選擇上，廣泛涉獵、重點突出、注重實戰(zhàn)；內(nèi)容安排上，實例切入、由淺入深、循序漸進；表達形式上，深度抽象、化繁為簡、用圖說話。

作者簡介

　　吳茂貴資深大數(shù)據(jù)和人工智能技術專家，在BI、數(shù)據(jù)挖掘與分析、數(shù)據(jù)倉庫、機器學習等領域工作超過20年。在基于Spark、TensorFlow、PyTorch等的機器學習和深度學習方面有大量的工程實踐實踐。著有《Python深度學習：基于TensorFlow》、《深度實踐Spark機器學習》、《自己動手做大數(shù)據(jù)系統(tǒng)》、《深入淺出Embedding原理解析與應用實踐》等暢銷書。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)、機器學習以及數(shù)據(jù)可視化的相關領域，擅長 Python、Hadoop、Spark 等技術，擁有豐富的實戰(zhàn)經(jīng)驗。曾獲“江蘇省TI杯大學生電子競技大賽”二等獎和“華為杯全國大學生數(shù)學建模大賽”二等獎。楊本法　高級算法工程師，工業(yè)表面缺陷檢測設備開發(fā)架構師，在機器學習、文本挖掘、可視化等領域有多年實踐經(jīng)驗。做過大型電商的推薦系統(tǒng)，知名手機廠商外殼表面檢測設備。熟悉Hadoop、Spark生態(tài)圈的相關技術，對Python有豐富的實戰(zhàn)經(jīng)驗。李濤　資深AI技術工程師，任職于攜程（上海）科技有限公司，負責酒店排序推薦相關項目的數(shù)據(jù)分析和算法開發(fā)，在計算機視覺技術和搜索推薦系統(tǒng)有深刻的理解和豐富的實踐經(jīng)驗。張粵磊國云大數(shù)據(jù)學院院長，飛谷云創(chuàng)始人，畢業(yè)于中國科技大學，原平安壹錢包大數(shù)據(jù)架構師。業(yè)內(nèi)知名大數(shù)據(jù)專家，多部大數(shù)據(jù)暢銷書作者。2016年以來每年都以高級專家和咨詢顧問身份深入?yún)⑴c大數(shù)據(jù)、人工智能技術在行業(yè)的落地應用。

圖書目錄

前言
第1版前言
第一部分　PyTorch基礎
第1章　NumPy基礎知識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的算術運算11
1.3.1　逐元素操作11
1.3.2　點積運算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　廣播機制23
1.9　小結24
第2章　PyTorch基礎知識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　自動求導要點40
2.5.2　計算圖40
2.5.3　標量反向傳播41
2.5.4　非標量反向傳播42
2.5.5　切斷一些分支的反向傳播45
2.6　使用NumPy實現(xiàn)機器學習任務47
2.7　使用Tensor及autograd實現(xiàn)機器
　　　學習任務49
2.8　使用優(yōu)化器及自動微分實現(xiàn)機器
　　　學習任務51
2.9　把數(shù)據(jù)集轉換為帶批量處理功能的
　　　迭代器52
2.10　使用TensorFlow 2實現(xiàn)機器
　　　學習任務54
2.11　小結55
第3章　PyTorch神經(jīng)網(wǎng)絡工具箱56
3.1　神經(jīng)網(wǎng)絡核心組件56
3.2　構建神經(jīng)網(wǎng)絡的主要工具57
3.2.1　nn.Module57
3.2.2　nn.functional58
3.3　構建模型59
3.3.1　繼承nn.Module基類構建模型59
3.3.2　使用nn.Sequential按層
　　　順序構建模型60
3.3.3　繼承nn.Module基類并應用
　　　模型容器來構建模型63
3.3.4　自定義網(wǎng)絡模塊66
3.4　訓練模型68
3.5　實現(xiàn)神經(jīng)網(wǎng)絡實例69
3.5.1　背景說明69
3.5.2　準備數(shù)據(jù)70
3.5.3　可視化源數(shù)據(jù)71
3.5.4　構建模型72
3.5.5　訓練模型72
3.6　小結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簡介81
4.4.2　用TensorBoard可視化
　　　神經(jīng)網(wǎng)絡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85
第二部分　深度學習基礎
第5 章　機器學習基礎88
5.1　機器學習的基本任務88
5.1.1　監(jiān)督學習89
5.1.2　無監(jiān)督學習89
5.1.3　半監(jiān)督學習90
5.1.4　強化學習90
5.2　機器學習的一般流程90
5.2.1　明確目標91
5.2.2　收集數(shù)據(jù)91
5.2.3　數(shù)據(jù)探索與預處理91
5.2.4　選擇模型及損失函數(shù)91
5.2.5　評估及優(yōu)化模型92
5.3　過擬合與欠擬合93
5.3.1　權重正則化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　批量隨機梯度下降法105
5.6.3　動量算法106
5.6.4　Nesterov動量算法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時的注意事項120
5.8　小結121
第6章　視覺處理基礎122
6.1　從全連接層到卷積層122
6.1.1　圖像的兩個特性123
6.1.2　卷積神經(jīng)網(wǎng)絡概述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　轉置卷積136
6.2.8　特征圖與感受野137
6.2.9　全卷積網(wǎng)絡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)絡實現(xiàn)CIFAR10
　　多分類149<>