-- 會員 / 註冊 --  
 帳號:
 密碼:
  | 註冊 | 忘記密碼
3/26 新書到! 3/19 新書到! 3/14 新書到! 12/12 新書到!
購書流程Q & A站務留言版客服信箱
3ds MaxMayaRhinoAfter EffectsSketchUpZBrushPainterUnity
PhotoShopAutoCadMasterCamSolidWorksCreoUGRevitNuke
C#CC++Java遊戲程式Linux嵌入式PLCFPGAMatlab
駭客資料庫搜索引擎影像處理FluentVR+ARANSYS深度學習
單晶片AVROpenGLArduinoRaspberry Pi電路設計CadenceProtel
HadoopPythonStm32CortexLabview手機程式AndroidiPhone
可查書名,作者,ISBN,3dwoo書號
詳細書籍分類

深度學習框架PyTorch快速開發與實戰

( 簡體 字)
作者:邢夢來,王碩,孫洋洋類別:1. -> 程式設計 -> 深度學習
   2. -> 程式設計 -> Python
譯者:
出版社:電子工業出版社深度學習框架PyTorch快速開發與實戰 3dWoo書號: 49651
詢問書籍請說出此書號!

缺書
NT售價: 345

出版日:7/1/2018
頁數:232
光碟數:0
站長推薦:
印刷:黑白印刷語系: ( 簡體 版 )
加入購物車 加到我的最愛
(請先登入會員)
ISBN:9787121345647
作者序 | 譯者序 | 前言 | 內容簡介 | 目錄 | 
(簡體書上所述之下載連結耗時費功, 恕不適用在台灣, 若讀者需要請自行嘗試, 恕不保證)
作者序:

譯者序:

前言:

日常生活中,人工智能悄悄的影響著我們。
隨著人工智能的技術的發展,現代幾乎各種技術的發展都涉及到了人工智能技術,可以說人工智能已經廣泛應用到許多領域,其典型的應用包括:信息檢索應用,推薦系統,語音識別,自然語言處理,圖像識別,智能家居等。以人工智能在語音識別,語音合成上的結果看,2016年10月份由微軟美國研究院發布的一個語音識別的最新結果實現了錯誤率為5.9%的新突破,這是第一次用人工智能技術取得了跟人類似的語音識別的錯誤率。
人工智能一直處于計算機技術的前沿,人工智能研究的理論和發現在很大程度上將決定計算機技術的發展方向。為了適應新一輪的科技發展,培養高端人才,人工智能進入國家發展戰略。
2017年7月,國務院印發《新一代人工智能發展規劃》,其中提到,新一代人工智能發展分三步走的戰略目標,到2030年使中國人工智能理論、技術與應用總體達到世界領先水平,成為世界主要人工智能創新中心。
為此,積極學習人工智能前沿知識,適應科技進步。
本書選用Facebook開源深度學習庫PyTorch作為深度學習框架。常用的深度學習開源平臺有TensorFlow,Theano,Keras,Caffe等等。在TensorFlow的官網上,它被定義為一個用于機器智能的開源軟件庫,使用TensorFlow需要編寫大量的代碼,個人覺得不適合初學者。
Theano是比較老牌和最穩定的庫之一。Theano由于它不支持多GPU擴展,在深度學習開源平臺快速更新迭代的浪潮下,Theano已然開始慢慢被遺忘了。
Keras句法是比較明晰,文檔完善,使用非常簡單輕松。Keras強調極簡主義,只需幾行代碼就能構建一個神經網絡。適合新人學習。
Caffe老牌中的老牌框架。起初的時候它僅僅關注計算機視覺,但它具有非常好的通用性。Caffe的缺點是它不夠靈活。同時Caffe的文檔非常貧乏。
張量是PyTorch的一個完美組件,和NumPy類似。將張量從NumPy轉換至PyTorch非常容易。可以把它的用作是NumPy的替代品.PyTorch這種框架可以獲得GPU加速,以便快速進行數據預處理,或其他任務。PyTorch同時也提供了變量,我們在構建神經網絡的時候,在張量之上的封裝,構建自己的計算圖,并自動計算梯度。pytorch建立的是動態圖,TensorFlow建立的是靜態圖。pytorch更加符合一般的編程習慣,而不是像TensorFlow那樣需要先定義計算圖。
雖然開源平臺眾多,只是一個實現算法的工具。更多的時候,我們考慮到實現算法的簡潔性,通常選擇容易上手的,能快速實現算法的開源平臺。為此,我們需要選擇適合自己的深度學習開源平臺,實現深度學習算法。
學習深度學習理論知識,了解人工智能行業發展動態,掌握前沿科學技術。利用PyTorch開源平臺快速實現經典卷積神經網絡,循環神經網絡,自編碼模型,對抗生成網絡等模型。開啟海綿模式,盡可能多學原理知識,掌握機器學習的基礎理念知識,然后針對性的實際訓練。通常從收集數據,預處理和清洗數據,再到搭建模型,訓練和調試模型,到最后評估模型。逐漸培養出對于什么樣的數據適合用什么類型的模型,增強實踐和判斷能力。經過學習,逐漸從小白,經過學習慢慢到專業人士。有興趣的讀者歡迎加入本書交流群,一起交流學習。群號為662443475。
致謝
感謝電子工業出版社的黃愛萍編輯,在選題策劃和稿件整理方面做出的大量工作。
感謝極寬開源量化團隊給予的技術支持。
在本書的創作中,特別感謝張建輝,劉笑俐,王麗穎,劉曉峰,劉婷,沈雨涵的協助,為他們的付出表示感謝。


邢夢來
2018年5月
內容簡介:

深度學習已經成為人工智能炙手可熱的技術,PyTorch是一個較新的,容易上手的深度學習開源框架,目前已得到廣泛應用。本書從PyTorch框架結構出發,通過案例主要介紹了線性回歸,邏輯回歸,前饋神經網絡,卷積神經網絡,循環神經網絡,自編碼模型,以及生成對抗網絡。本書作為深度學習的入門教材,省略了大量的數學模型推導,通過實戰學習深度學習理論知識,適合想學人工智能,缺少基礎的人群閱讀。

目錄:

第1章 深度學習簡介 2
1.1 深度學習 2
1.2 神經網絡的發展 5
1.3 深度學習的應用 6
1.4 常用的數學知識和機器學習算法 7
1.5 PyTorch簡介 10
1.5.1 PyTorch介紹 10
1.5.2 使用PyTorch的公司 14
1.5.3 PyTorch API 15
1.5.4 為什么選擇Python語言? 15
1.5.5 Python 語言的特點 15
1.6 常用的機器學習、深度學習開源框架 16
1.7 其他常用的模塊庫 17
1.8 深度學習常用名詞 18
第2章 PyTorch環境安裝 30
2.1 基于Ubuntu環境的安裝 30
2.1.1 安裝Anaconda 31
2.1.2 設置國內鏡像 33
2.2 Conda命令安裝PyTorch 33
2.3 pip命令安裝PyTorch 34
2.4 配置CUDA 35
第3章 PyTorch基礎知識 37
3.1 張量 37
3.2 數學操作 40
3.3 數理統計 41
3.4 比較操作 42
第4章 簡單案例入門 43
4.1 線性回歸 43
4.2 邏輯回歸 48
第5章 前饋神經網絡 54
5.1 實現前饋神經網絡 56
5.2 數據集 62
5.3 卷積層 66
5.4 Functional函數 69
5.5 優化算法 75
5.6 自動求導機制 78
5.7 保存和加載模型 80
5.8 GPU加速運算 80
第6章 PyTorch可視化工具 82
6.1 Visdom介紹 82
6.2 Visdom基本概念 83
6.2.1 Panes(窗格) 83
6.2.2 Environments(環境) 83
6.2.3 State(狀態) 83
6.3 安裝Visdom 84
6.4 可視化接口 84
6.4.1 Python函數屬性提取技巧 85
6.4.2 vis.text 85
6.4.3 vis.image 86
6.4.4 vis.scatter 87
6.4.5 vis.line 88
6.4.6 vis.stem 89
6.4.7 vis.heatmap 90
6.4.8 vis.bar 92
6.4.9 vis.histogram 93
6.4.10 vis.boxplot 94
6.4.11 vis.surf 95
6.4.12 vis.contour 96
6.4.13 vis.mesh 97
6.4.14 vis.svg 99
第7章 卷積神經網絡 102
7.1 卷積層 104
7.2 池化層 106
7.3 經典的卷積神經網絡 107
7.3.1 LeNet-5神經網絡結構 107
7.3.2 ImageNet-2010網絡結構 108
7.3.3 VGGNet網絡結構 113
7.3.4 GoodLeNet網絡結構 115
7.3.5 ResNet網絡結構 118
7.4 卷積神經網絡案例 121
7.5 深度殘差模型案例 129
第8章 循環神經網絡簡介 137
8.1 循環神經網絡模型結構 138
8.2 不同類型的RNN 139
8.3 LSTM結構具體解析 142
8.4 LSTM的變體 145
8.5 循環神經網絡實現 148
8.5.1 循環神經網絡案例 148
8.5.2 雙向RNN案例 151
第9章 自編碼模型 155
第10章 對抗生成網絡 163
10.1 DCGAN原理 165
10.2 GAN對抗生成網絡實例 170
第11章 Seq2seq自然語言處理 176
11.1 Seq2seq自然語言處理簡介 176
11.2 Seq2seq自然語言處理案例 178
第12章 量化交易簡介 193
12.1 線性回歸預測股價 196
12.2 前饋神經網絡預測股價 199
12.3 遞歸神經網絡預測股價 204
序: