4.0
用户推荐指数
互联网 类型
7.9 豆瓣评分
可以朗读 语音朗读
384千字 字数
2022-02-01 发行日期
展开全部

主编推荐语

PyTorch核心开发者教你用PyTorch创建神经网络和深度学习系统的实践指南。

内容简介

虽然很多深度学习工具都使用Python，但PyTorch库是真正具备Python风格的。对于任何了解NumPy和scikit-learn等工具的人来说，上手PyTorch轻而易举。PyTorch在不牺牲高级特性的情况下简化了深度学习，它非常适合构建快速模型，并且可以平稳地从个人应用扩展到企业级应用。由于像苹果、Facebook和摩根大通这样的公司都使用PyTorch，所以当你掌握了PyTorth，就会拥有更多的职业选择。本书是教你使用PyTorch创建神经网络和深度学习系统的实用指南。

它帮助读者快速从零开始构建一个真实示例：肿瘤图像分类器。在此过程中，它涵盖了整个深度学习管道的关键实践，包括PyTorch张量API、用Python加载数据、监控训练以及将结果进行可视化展示。

本书主要内容：1.训练深层神经网络，2.实现模块和损失函数，3.使用 PyTorch Hub 预先训练的模型，4.探索在 Jupyter Notebooks 中编写示例代码。

本书适用于对深度学习感兴趣的Python程序员。了解深度学习的基础知识对阅读本书有一定的帮助，但读者无须具有使用 PyTorch 或其他深度学习框架的经验。

目录

  • 版权信息
  • 版权声明
  • 内容提要
  • 关于作者与译者
  • 关于封面插图
  • 译者序
  • 序
  • 前言
  • 致谢
  • 关于本书
  • 资源与支持
  • 第1部分 PyTorch核心
  • 第1章 深度学习和PyTorch库简介
  • 1.1 深度学习革命
  • 1.2 PyTorch深度学习
  • 1.3 为什么用PyTorch
  • 1.4 PyTorch如何支持深度学习概述
  • 1.5 硬件和软件要求
  • 1.6 练习题
  • 1.7 本章小结
  • 第2章 预训练网络
  • 2.1 一个识别图像主体的预训练网络
  • 2.2 一个足以以假乱真的预训练模型
  • 2.3 一个描述场景的预训练网络
  • 2.4 Torch Hub
  • 2.5 总结
  • 2.6 练习题
  • 2.7 本章小结
  • 第3章 从张量开始
  • 3.1 实际数据转为浮点数
  • 3.2 张量：多维数组
  • 3.3 索引张量
  • 3.4 命名张量
  • 3.5 张量的元素类型
  • 3.6 张量的API
  • 3.7 张量的存储视图
  • 3.8 张量元数据：大小、偏移量和步长
  • 3.9 将张量存储到GPU
  • 3.10 NumPy互操作性
  • 3.11 广义张量也是张量
  • 3.12 序列化张量
  • 3.13 总结
  • 3.14 练习题
  • 3.15 本章小结
  • 第4章 使用张量表征真实数据
  • 4.1 处理图像
  • 4.2 三维图像：体数据
  • 4.3 表示表格数据
  • 4.4 处理时间序列
  • 4.5 表示文本
  • 4.6 总结
  • 4.7 练习题
  • 4.8 本章小结
  • 第5章 学习的机制
  • 5.1 永恒的建模经验
  • 5.2 学习就是参数估计
  • 5.3 减少损失是我们想要的
  • 5.4 沿着梯度下降
  • 5.5 PyTorch自动求导：反向传播的一切
  • 5.6 总结
  • 5.7 练习题
  • 5.8 本章小结
  • 第6章 使用神经网络拟合数据
  • 6.1 人工神经网络
  • 6.2 PyTorch nn模块
  • 6.3 最终完成一个神经网络
  • 6.4 总结
  • 6.5 练习题
  • 6.6 本章小结
  • 第7章 区分鸟和飞机：从图像学习
  • 7.1 微小图像数据集
  • 7.2 区分鸟和飞机
  • 7.3 总结
  • 7.4 练习题
  • 7.5 本章小结
  • 第8章 使用卷积进行泛化
  • 8.1 卷积介绍
  • 8.2 卷积实战
  • 8.3 子类化nn.Module
  • 8.4 训练我们的convnet
  • 8.5 模型设计
  • 8.6 总结
  • 8.7 练习题
  • 8.8 本章小结
  • 第2部分 从现实世界的图像中学习：肺癌的早期检测
  • 第9章 使用PyTorch来检测癌症
  • 9.1 用例简介
  • 9.2 为一个大型项目做准备
  • 9.3 到底什么是CT扫描
  • 9.4 项目：肺癌的端到端检测仪
  • 9.5 总结
  • 9.6 本章小结
  • 第10章 将数据源组合成统一的数据集
  • 10.1 原始CT数据文件
  • 10.2 解析LUNA的标注数据
  • 10.3 加载单个CT扫描
  • 10.4 使用病人坐标系定位结节
  • 10.5 一个简单的数据集实现
  • 10.6 总结
  • 10.7 练习题
  • 10.8 本章小结
  • 第11章 训练分类模型以检测可疑肿瘤
  • 11.1 一个基本的模型和训练循环
  • 11.2 应用程序的主入口点
  • 11.3 预训练和初始化
  • 11.4 我们的首次神经网络设计
  • 11.5 训练和验证模型
  • 11.6 输出性能指标
  • 11.7 运行训练脚本
  • 11.8 评估模型：得到99.7%的正确率是否意味着我们完成了任务
  • 11.9 用TensorBoard绘制训练指标
  • 11.10 为什么模型不学习检测结节
  • 11.11 总结
  • 11.12 练习题
  • 11.13 本章小结
  • 第12章 通过指标和数据增强来提升训练
  • 12.1 高级改进计划
  • 12.2 好狗与坏狗：假阳性与假阴性
  • 12.3 用图表表示阳性与阴性
  • 12.4 理想的数据集是什么样的
  • 12.5 重新审视过拟合的问题
  • 12.6 通过数据增强防止过拟合
  • 12.7 总结
  • 12.8 练习题
  • 12.9 本章小结
  • 第13章 利用分割法寻找可疑结节
  • 13.1 向我们的项目添加第2个模型
  • 13.2 各种类型的分割
  • 13.3 语义分割：逐像素分类
  • 13.4 更新分割模型
  • 13.5 更新数据集以进行分割
  • 13.6 更新用于分割的训练脚本
  • 13.7 结果
  • 13.8 总结
  • 13.9 练习题
  • 13.10 本章小结
  • 第14章 端到端的结节分析及下一步的方向
  • 14.1 接近终点线
  • 14.2 验证集的独立性
  • 14.3 连接CT分割和候选结节分类
  • 14.4 定量验证
  • 14.5 预测恶性肿瘤
  • 14.6 在诊断时所见的内容
  • 14.7 接下来呢？其他灵感和数据的来源
  • 14.8 总结
  • 14.9 练习题
  • 14.10 本章小结
  • 第3部分 部署
  • 第15章 部署到生产环境
  • 15.1 PyTorch模型的服务
  • 15.2 导出模型
  • 15.3 与PyTorch JIT编译器交互
  • 15.4 LibTorch：C++中的PyTorch
  • 15.5 部署到移动设备
  • 15.6 新兴技术：PyTorch模型的企业服务
  • 15.7 总结
  • 15.8 练习题
  • 15.9 本章小结
展开全部

评分及书评

4.0
3个评分
  • 用户头像
    给这本书评了
    4.0

    真正做到了深入浅出，特别适合有计算机工程背景，又有一点机器学习基础的同学

      转发
      评论

    出版方

    人民邮电出版社

    人民邮电出版社是工业和信息化部主管的大型专业出版社，成立于1953年10月1日。人民邮电出版社坚持“立足信息产业、面向现代社会、传播科学知识、服务科教兴国”，致力于通信、计算机、电子技术、教材、少儿、经管、摄影、集邮、旅游、心理学等领域的专业图书出版。