 |
-- 會員 / 註冊 --
|
 |
|
|
|
神經網絡與PyTorch實戰 ( 簡體 字) |
| 作者：肖智清 | 類別：1. -> 程式設計 -> 機器學習
2. -> 程式設計 -> Python |
| 譯者： |
| 出版社：機械工業出版社 |  3dWoo書號： 49678
詢問書籍請說出此書號！【缺書】
NT售價： 295 元 |
| 出版日：8/6/2018 |
| 頁數：220 |
| 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：9787111605775 |
| 作者序 | 譯者序 | 前言 | 內容簡介 | 目錄 | 序 |
| (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： |
內容簡介：全書分為三個部分。第1和第2章感性介紹神經網絡的基礎知識，并給出一個利用PyTorch搭建神經網絡解決實際問題的例子，使讀者對神經網絡和PyTorch有初步的了解；第3∼9章介紹基于Python和PyTorch的科學計算和神經網絡搭建，涵蓋了幾乎所有Python基礎知識和PyTorch基礎功能，并通過例子使讀者完全掌握相關技術；第10和第11章介紹生成對抗網絡和強化學習，使讀者了解更多神經網絡的常用用法。 |
目錄：前言
第1章 初識神經網絡1
1.1 例說神經網絡1
1.1.1 從圍棋和AlphaGo說起1
1.1.2 人的神經系統3
1.1.3 人工神經元3
1.1.4 人工神經網絡5
1.1.5 神經網絡的設計和權重的學習7
1.2 神經網絡與人工智能等概念的關系7
1.2.1 人工智能和數據挖掘7
1.2.2 機器學習和模式識別9
1.2.3 人工神經網絡和深度學習11
1.2.4 各概念之間的聯系11
1.3 本章小結12
第2章 初識PyTorch13
2.1 人工神經網絡庫PyTorch13
2.1.1 PyTorch是什么13
2.1.2 編寫PyTorch程序14
2.2 例說PyTorch14
2.2.1 迷你AlphaGo介紹15
2.2.2 迷你AlphaGo的完整實現16
2.3 PyTorch學習路線19
2.4 本章小結20
第3章 使用PyTorch進行科學計算21
3.1 初識張量21
3.1.1 張量的數學定義21
3.1.2 PyTorch里的張量22
3.2 構造torch.Tensor類實例24
3.2.1 構造含有特定數據的張量24
3.2.2 構造特定大小的張量25
3.2.3 構造等比數列和等差數列張量26
3.2.4 構造隨機張量26
3.3 組織張量的元素28
3.3.1 重排張量元素28
3.3.2 選取部分張量元素29
3.3.3 張量的擴展和拼接31
3.4 張量的科學計算32
3.4.1 有理運算和廣播語義32
3.4.2 逐元素運算33
3.4.3 張量點積和Einstein求和35
3.4.4 統計函數38
3.4.5 比較和邏輯運算39
3.5 例子：用蒙特卡洛算法計算圓周率40
3.5.1 隨機計算與蒙特卡洛算法40
3.5.2 蒙特卡洛算法求解圓周率的實現41
3.6 本章小結42
第4章 求解優化問題43
4.1 梯度及其計算43
4.1.1 梯度的定義43
4.1.2 梯度的性質和計算45
4.1.3 使用PyTorch計算梯度數值45
4.2 優化算法與torch.optim包46
4.2.1 梯度下降算法46
4.2.2 梯度下降算法的缺陷和解決方案48
4.2.3 各種優化算法50
4.3 例子：Himmelblau函數的優化55
4.3.1 Himmelblau函數及可視化55
4.3.2 求解Himmelblau的最小值57
4.3.3 求解Himmelblau的局部極大值59
4.4 本章小結59
第5章 線性回歸60
5.1 一元線性回歸60
5.1.1 最小二乘法60
5.1.2 正規方程法62
5.2 多元線性回歸63
5.3 其他損失情況下的線性回歸63
5.3.1 MSE損失、損失和平滑損失64
5.3.2 torch.nn子包與損失類65
5.3.3 使用優化器求解線性回歸66
5.3.4 數據的歸一化68
5.4 例子：世界人口的線性回歸70
5.4.1 從維基百科頁面獲取世界人口數據70
5.4.2 對世界人口做最小二乘法線性回歸71
5.4.3 用優化算法實現最小二乘回歸72
5.5 本章小結74
第6章 線性判決與邏輯回歸75
6.1 線性判決與互熵損失75
6.1.1 判定問題與準確率75
6.1.2 線性判決76
6.1.3 極大似然和互熵損失77
6.2 邏輯回歸78
6.2.1 expit()函數和logit()函數78
6.2.2 用優化器實現邏輯回歸80
6.2.3 Newton-Raphson方法81
6.3 多項邏輯回歸82
6.4 例子：數字圖像的識別84
6.4.1 使用torchvision讀取MNIST數據集84
6.4.2 利用多項邏輯回歸識別MNIST數據86
6.5 例子：股票成交量預測88
6.5.1 股票數據的讀取和可視化88
6.5.2 成交量變化方向預測89
6.6 本章小結91
第7章 全連接神經網絡92
7.1 前饋神經網絡92
7.1.1 前饋神經網絡的定義92
7.1.2 使用torch.nn.Sequential類搭建前饋神經網絡93
7.1.3 權重的確定與反向傳播94
7.2 全連接層和全連接神經網絡95
7.3 非線性激活96
7.3.1 逐元素激活97
7.3.2 非逐元素激活101
7.4 網絡結構的選擇102
7.4.1 欠擬合和過擬合102
7.4.2 訓練集、驗證集和測試集103
7.5 例子：基于全連接網絡的非線性回歸105
7.5.1 數據的生成和數據集分割105
7.5.2 確定網絡結構并訓練網絡106
7.5.3 測試性能108
7.6 本章小結109
第8章 卷積神經網絡110
8.1 卷積層110
8.1.1 序列的互相關和卷積110
8.1.2 一維張量的互相關114
8.1.3 一維張量的轉置卷積117
8.1.4 高維張量的互相關和轉置卷積121
8.1.5 torch.nn包里的卷積層121
8.2 池化層、視覺層和補全層123
8.2.1 張量的池化124
8.2.2 張量的反池化125
8.2.3 torch.nn包里的池化層126
8.2.4 張量的上采樣128
8.2.5 torch.nn包里的視覺層130
8.2.6 張量的補全運算131
8.2.7 torch.nn包里的補全層131
8.3 例子：MNIST圖片分類的改進132
8.3.1 搭建卷積神經網絡133
8.3.2 卷積神經網絡的訓練和測試135
8.4 本章小結137
第9章 循環神經網絡138
9.1 神經網絡的循環結構138
9.1.1 單向單層循環結構138
9.1.2 多層循環結構139
9.1.3 雙向循環結構140
9.2 循環神經網絡中的循環單元141
9.2.1 基本循環神經元141
9.2.2 長短期記憶單元141
9.2.3 門控循環單元144
9.3 循環神經網絡的實現145
9.3.1 torch.nn子包中的循環單元類145
9.3.2 torch.nn子包中的循環神經網絡類146
9.4 例子：人均GDP的預測147
9.4.1 使用pandas-datareader讀取世界銀行數據庫147
9.4.2 搭建LSTM預測模型148
9.4.3 網絡的訓練和使用149
9.5 本章小結151
第10章 生成對抗網絡152
10.1 生成對抗網絡的原理152
10.1.1 例說生成對抗152
10.1.2 生成對抗網絡的結構153
10.2 用生成對抗網絡生成圖像154
10.2.1 深度卷積生成對抗網絡154
10.2.2 規范化層156
10.2.3 網絡權重值的初始化159
10.3 例子：CIFAR-10圖像的生成161
10.3.1 CIFAR-10數據集161
10.3.2 搭建生成網絡和鑒別網絡162
10.3.3 網絡的訓練和使用165
10.4 本章小結167
第11章 強化學習168
11.1 初識強化學習168
11.1.1 例說強化學習168
11.1.2 強化學習的分類169
11.2 Markov決策過程及其算法170
11.2.1 Markov決策過程170
11.2.2 最優策略的性質和求解171
11.2.3 時序差分更新算法173
11.3 例子：車桿游戲的游戲AI開發174
11.3.1 游戲環境及其使用方法174
11.3.2 游戲AI和深度Q網絡的設計177
11.3.3 深度Q網絡的訓練177
11.3.4 游戲AI的使用180
11.4 本章小結180
附錄A 開發環境的安裝和使用181
附錄B Python編程基礎195 |
| 序： |
|
