计算机
类型
可以朗读
语音朗读
157千字
字数
2022-01-01
发行日期
展开全部
主编推荐语
深入浅出PyTorch深度学习应用，实例丰富，理论与实践兼备。
内容简介
本书以当前深度学习框架PyTorch为基础，深入浅出地介绍了Pytorch在深度学习中的应用，本书共分为10章，主要内容包括：基于PyTorch的数值建模、图像建模、文本建模、音频建模、模型可视化和联邦学习等，除讲述深度学习的理论知识与应用技术，还安排了丰富的案例，便于读者掌握在实际中的应用。本书案例丰富，原理与实践并重，可供Pytorch初学者、深度学习和机器学习开发人员使用，也可供大专院校的相关专业作为教学用书。
目录
- 封面页
- 书名页
- 版权页
- 内容简介
- 作者简介
- 前言
- 本书内容
- 本书的特色
- 配书资源
- 读者对象
- 目录
- 第1章 深度学习环境搭建
- 1.1 深度学习概述
- 1.1.1 深度学习发展历史
- 1.1.2 深度学习框架比较
- 1.1.3 深度学习应用领域
- 1.2 搭建开发环境
- 1.2.1 安装Python 3.10
- 1.2.2 安装Jupyter Lab
- 1.2.3 安装PyTorch 1.10
- 1.3 PyTorch应用场景
- 1.4 动手练习：每日最高温度预测
- 1.5 练习题
- 第2章 PyTorch与数学基础
- 2.1 PyTorch中的函数
- 2.1.1 函数基础知识
- 2.1.2 PyTorch中的主要函数
- 2.2 微分基础
- 2.2.1 微分及其公式
- 2.2.2 PyTorch自动微分
- 2.3 数理统计基础
- 2.3.1 数理统计及其指标
- 2.3.2 PyTorch统计函数
- 2.4 矩阵基础
- 2.4.1 矩阵及其运算
- 2.4.2 PyTorch矩阵运算
- 2.5 动手练习：拟合余弦函数曲线
- 2.6 练习题
- 第3章 PyTorch的基本概念
- 3.1 张量及其创建
- 3.1.1 张量及其数据类型
- 3.1.2 数组直接创建张量
- 3.1.3 概率分布创建张量
- 3.2 激活函数
- 3.2.1 激活函数及必要性
- 3.2.2 Sigmoid激活函数
- 3.2.3 Tanh激活函数
- 3.2.4 ReLU激活函数
- 3.2.5 Leakly ReLU激活函数
- 3.2.6 其他类型的激活函数
- 3.3 损失函数
- 3.3.1 损失函数及选取
- 3.3.2 L1范数损失函数
- 3.3.3 均方误差损失函数
- 3.3.4 交叉熵损失函数
- 3.3.5 余弦相似度损失
- 3.3.6 其他损失函数
- 3.4 优化器
- 3.4.1 梯度及梯度下降
- 3.4.2 随机梯度下降算法
- 3.4.3 标准动量优化算法
- 3.4.4 AdaGrad算法
- 3.4.5 RMSProp算法
- 3.4.6 Adam算法
- 3.5 动手练习：PyTorch优化器比较
- 3.6 练习题
- 第4章 PyTorch深度神经网络
- 4.1 神经网络概述
- 4.1.1 神经元模型
- 4.1.2 多层感知器
- 4.1.3 前馈神经网络
- 4.2 卷积神经网络
- 4.2.1 卷积神经网络的历史
- 4.2.2 卷积神经网络的结构
- 4.2.3 卷积神经网络的类型
- 4.3 几种常见的循环神经网络
- 4.3.1 循环神经网络
- 4.3.2 长短期记忆网络
- 4.3.3 门控循环单元
- 4.4 动手练习：股票成交量趋势预测
- 4.5 练习题
- 第5章 PyTorch数据建模
- 5.1 回归分析及案例
- 5.1.1 回归分析简介
- 5.1.2 回归分析建模
- 5.1.3 动手练习：住房价格回归预测
- 5.2 聚类分析及案例
- 5.2.1 聚类分析简介
- 5.2.2 聚类分析建模
- 5.2.3 动手练习：植物花卉特征聚类
- 5.3 主成分分析及案例
- 5.3.1 主成分分析简介
- 5.3.2 主成分分析建模
- 5.3.3 动手练习：地区竞争力指标降维
- 5.4 模型评估与调优
- 5.4.1 模型评估方法
- 5.4.2 模型调优方法
- 5.4.3 动手练习：PyTorch实现交叉验证
- 5.5 练习题
- 第6章 PyTorch图像建模
- 6.1 图像建模概述
- 6.1.1 图像分类技术
- 6.1.2 图像识别技术
- 6.1.3 图像分割技术
- 6.2 动手练习：创建图像自动分类器
- 6.2.1 加载数据集
- 6.2.2 搭建网络模型
- 6.2.3 训练网络模型
- 6.2.4 应用网络模型
- 6.3 动手练习：搭建图像自动识别模型
- 6.3.1 加载数据集
- 6.3.2 搭建与训练网络
- 6.3.3 预测图像数据
- 6.3.4 图像识别模型的判断
- 6.4 动手练习：搭建图像自动分割模型
- 6.4.1 加载数据集
- 6.4.2 搭建网络模型
- 6.4.3 训练网络模型
- 6.4.4 应用网络模型
- 6.5 练习题
- 第7章 PyTorch文本建模
- 7.1 自然语言处理的几个模型
- 7.1.1 Word2Vec模型
- 7.1.2 Seq2Seq模型
- 7.1.3 Attention模型
- 7.2 动手练习：Word2Vec提取相似文本
- 7.2.1 加载数据集
- 7.2.2 搭建网络模型
- 7.2.3 训练网络模型
- 7.2.4 应用网络模型
- 7.3 动手练习：Seq2Seq实现机器翻译
- 7.3.1 加载数据集
- 7.3.2 搭建网络模型
- 7.3.3 训练网络模型
- 7.3.4 应用网络模型
- 7.4 动手练习：Attention模型实现文本自动分类
- 7.4.1 加载数据集
- 7.4.2 搭建网络模型
- 7.4.3 训练网络模型
- 7.4.4 应用网络模型
- 7.5 练习题
- 第8章 PyTorch音频建模
- 8.1 音频处理及应用
- 8.1.1 音频处理技术
- 8.1.2 音频摘要及应用
- 8.1.3 音频识别及应用
- 8.1.4 音频监控及应用
- 8.1.5 场景感知及其应用
- 8.2 音频特征提取步骤
- 8.2.1 特征提取流程
- 8.2.2 音频预处理
- 8.2.3 傅里叶变换
- 8.2.4 能量谱处理
- 8.2.5 离散余弦转换
- 8.3 PyTorch音频建模
- 8.3.1 加载音频数据源
- 8.3.2 波形变换的类型
- 8.3.3 绘制波形频谱图
- 8.3.4 波形Mu-Law编码
- 8.3.5 变换前后波形比较
- 8.4 动手练习：音频相似度分析
- 8.5 练习题
- 第9章 PyTorch模型可视化
- 9.1 Visdom
- 9.1.1 Visdom简介
- 9.1.2 Visdom可视化操作
- 9.1.3 动手练习：识别手写数字
- 9.2 TensorBoard
- 9.2.1 TensorBoard简介
- 9.2.2 TensorBoard基础操作
- 9.2.3 动手练习：可视化模型参数
- 9.3 Pytorchviz
- 9.3.1 Pytorchviz简介
- 9.3.2 动手练习：Pytorchviz建模可视化
- 9.4 Netron
- 9.4.1 Netron简介
- 9.4.2 动手练习：Netron建模可视化
- 9.5 练习题
- 第10章 PyTorch联邦学习
- 10.1 联邦学习算法简介
- 10.1.1 联邦学习提出背景
- 10.1.2 联邦学习基本概念
- 10.2 联邦学习主要类型
- 10.2.1 横向联邦学习及其过程
- 10.2.2 纵向联邦学习及其过程
- 10.2.3 联邦迁移学习及其过程
- 10.3 联邦学习研究现状
- 10.3.1 算法重要研究进展
- 10.3.2 联邦学习算法优化
- 10.3.3 主要应用前景介绍
- 10.4 动手练习：手写数字识别
- 10.4.1 读取手写数据集
- 10.4.2 训练与测试模型
- 10.4.3 模型结果输出
- 10.5 练习题
- 附录A Python常用第三方工具包简介
- A.1 数据分析类包
- A.2 数据可视化类包
- A.3 机器学习类包
- 参考文献
展开全部
评分及书评
评分不足
1个评分
出版方
清华大学出版社
清华大学出版社成立于1980年6月，是由教育部主管、清华大学主办的综合出版单位。植根于“清华”这座久负盛名的高等学府，秉承清华人“自强不息，厚德载物”的人文精神，清华大学出版社在短短二十多年的时间里，迅速成长起来。清华大学出版社始终坚持弘扬科技文化产业、服务科教兴国战略的出版方向，把出版高等学校教学用书和科技图书作为主要任务，并为促进学术交流、繁荣出版事业设立了多项出版基金，逐渐形成了以出版高水平的教材和学术专著为主的鲜明特色，在教育出版领域树立了强势品牌。
