预购商品
书目分类
特别推荐
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陣列3 1.1.1 陣列屬性4 1.1.2 利用已有資料生成陣列4 1.1.3 利用 random 模組生成陣列5 1.1.4 生成特定形狀的多維陣列7 1.1.5 利用arange、linspace函數生成陣列8 1.2 讀取數據9 1.3 NumPy的算數運算11 1.3.1 逐元素操作11 1.3.2 點積運算12 1.4 陣列變形13 1.4.1 修改陣列的形狀13 1.4.2 合併陣列16 1.5 批次處理19 1.6 節省記憶體20 1.7 通用函數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環境配置30 2.4 NumPy與Tensor31 2.4.1 Tensor概述31 2.4.2 創建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 歸併操作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實現機器學習任務47 2.7 使用Tensor及autograd實現機器學習任務49 2.8 使用優化器及自動微分實現機器學習任務51 2.9 把資料集轉換為帶批量處理功能的反覆運算器52 2.10 使用TensorFlow 2實現機器學習任務54 2.11 小結55 第3章 PyTorch神經網路工具箱56 3.1 神經網路核心元件56 3.2 構建神經網路的主要工具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基類並應用模型容器來構建模型63 3.3.4 自訂網路模組66 3.4 訓練模型68 3.5 實現神經網路實例69 3.5.1 背景說明69 3.5.2 準備數據70 3.5.3 視覺化來源資料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資料處理工具箱75 4.1 資料處理工具箱概述75 4.2 utils.data76 4.3 torchvision78 4.3.1 transforms78 4.3.2 ImageFolder79 4.4 視覺化工具81 4.4.1 TensorBoard簡介81 4.4.2 用TensorBoard視覺化神經網路82 4.4.3 用TensorBoard視覺化損失值83 4.4.4 用TensorBoard視覺化特徵圖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 監督學習89 5.1.2 無監督學習89 5.1.3 半監督學習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 收集資料91 5.2.3 資料探索與預處理91 5.2.4 選擇模型及損失函數91 5.2.5 評估及優化模型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 選擇合適的啟動函數100 5.5 選擇合適的損失函數101 5.6 選擇合適的優化器103 5.6.1 傳統梯度優化演算法104 5.6.2 批量隨機梯度下降法105 5.6.3 動量演算法106 5.6.4 Nesterov動量演算法108 5.6.5 AdaGrad演算法109 5.6.6 RMSProp演算法111 5.6.7 Adam演算法112 5.6.8 Yogi演算法113 5.6.9 使用優化演算法實例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 卷積神經網路概述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 啟動函數134 6.2.6 卷積函數135 6.2.7 轉置卷積136 6.2.8 特徵圖與感受野137 6.2.9 全卷積網路138 6.3 池化層139 6.3.1 局部池化140 6.3.2 全域池化140 6.4 現代經典網路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 使用卷積神經網路實現CIFAR10 多分類149
吳茂貴 資深大資料和人工智慧技術專家，在BI、資料採擷與分析、資料倉庫、機器學習等領域工作超過20年。在基於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：基於TensorFlow》、《深度實踐Spark機器學習》、《自己動手做大資料系統》、《深入淺出Embedding原理解析與應用實踐》等暢銷書。 鬱明敏 資深商業分析師，從事互聯網金融演算法研究工作，專注於大資料、機器學習以及資料視覺化的相關領域，擅長 Python、Hadoop、Spark 等技術，擁有豐富的實戰經驗。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學建模大賽”二等獎。 楊本法 高級演算法工程師，工業表面缺陷檢測設備開發架構師，在機器學習、文本挖掘、視覺化等領域有多年實踐經驗。做過大型電商的推薦系統，知名手機廠商外殼表面檢測設備。熟悉Hadoop、Spark生態圈的相關技術，對Python有豐富的實戰經驗。 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專案的資料分析和演算法開發，在電腦視覺技術和搜索推薦系統有深刻的理解和豐富的實踐經驗。 張粵磊 國雲大資料學院院長，飛谷雲創始人，畢業于中國科技大學，原平安壹錢包大資料架構師。業內知名大資料專家，多部大資料暢銷書作者。2016年以來每年都以高級專家和諮詢顧問身份深入參與大資料、人工智慧技術在行業的落地應用。
客服公告
热门活动
订阅电子报
