由于此商品库存有限,请在下单后15分钟之内支付完成,手慢无哦!
100%刮中券,最高50元无敌券,券有效期7天
活动自2017年6月2日上线,敬请关注云钻刮券活动规则更新。
如活动受政府机关指令需要停止举办的,或活动遭受严重网络攻击需暂停举办的,或者系统故障导致的其它意外问题,苏宁无需为此承担赔偿或者进行补偿。
[正版]PyTorch深度学习 神经网络与深度学习python深度学习计算机视觉编程知识 PyTorch框架编程入门计
¥ ×1
店铺公告
为保障消费者合理购买需求及公平交易机会,避免因非生活消费目的的购买货囤积商品,抬价转售等违法行为发生,店铺有权对异常订单不发货且不进行赔付。异常订单:包括但不限于相同用户ID批量下单,同一用户(指不同用户ID,存在相同/临近/虚构收货地址,或相同联系号码,收件人,同账户付款人等情形的)批量下单(一次性大于5本),以及其他非消费目的的交易订单。
温馨提示:请务必当着快递员面开箱验货,如发现破损,请立即拍照拒收,如验货有问题请及时联系在线客服处理,(如开箱验货时发现破损,所产生运费由我司承担,一经签收即为货物完好,如果您未开箱验货,一切损失就需要由买家承担,所以请买家一定要仔细验货)。
关于退货运费:对于下单后且物流已发货货品在途的状态下,原则上均不接受退货申请,如顾客原因退货需要承担来回运费,如因产品质量问题(非破损问题)可在签收后,联系在线客服。
|
|
|
|
|
|
|
PyTorch是Facebook于2017年初在机器学习和科学计算工具Torch的基础上,针对Python语言发布的一个全新的机器学习工具包,一经推出便受到了业界的广泛关注和讨论,目前已经成为机器学习从业人员的研发工具。
《PyTorch深度学习》是使用PyTorch构建神经网络模型的实用指南,适合对深度学习领域感兴趣且希望一探PyTorch的业内人员阅读;具备其他深度学习框架使用经验的读者,也可以通过本书掌握PyTorch的用法。
内容分为9章,包括PyTorch与深度学习的基础知识、神经网络的构成、神经网络的知识、机器学习基础知识、深度学习在计算机视觉中的应用、深度学习在序列数据和文本中的应用、生成网络、现代网络架构,以及PyTorch与深度学习的未来走向。
第 1章 PyTorch与深度学习 1
1.1 人工智能 1
1.2 机器学习 3
1.3 深度学习 4
1.3.1 深度学习的应用 4
1.3.2 深度学习的浮夸宣传 6
1.3.3 深度学习发展史 6
1.3.4 为何是现在 7
1.3.5 硬件可用性 7
1.3.6 数据和算法 8
1.3.7 深度学习框架 9
1.4 小结 10
第 2章 神经网络的构成 11
2.1 安装PyTorch 11
2.2 实现第 1个神经网络 12
2.2.1 准备数据 13
2.2.2 为神经网络创建数据 20
2.2.3 加载数据 24
2.3 小结 25
第3章 深入了解神经网络 26
3.1 详解神经网络的组成部分 26
3.1.1 层—神经网络的基本组成 27
3.1.2 非线性激活函数 29
3.1.3 PyTorch中的非线性激活函数 32
3.1.4 使用深度学习进行图像分类 36
3.2 小结 46
第4章 机器学习基础 47
4.1 三类机器学习问题 47
4.1.1 有监督学习 48
4.1.2 无监督学习 48
4.1.3 强化学习 48
4.2 机器学习术语 49
4.3 评估机器学习模型 50
4.4 数据预处理与特征工程 54
4.4.1 向量化 54
4.4.2 值归一化 54
4.4.3 处理缺失值 55
4.4.4 特征工程 55
4.5 过拟合与欠拟合 56
4.5.1 获取更多数据 56
4.5.2 缩小网络规模 57
4.5.3 应用权重正则化 58
4.5.4 应用dropout 58
4.5.5 欠拟合 60
4.6 机器学习项目的工作流 60
4.6.1 问题定义与数据集创建 60
4.6.2 成功的衡量标准 61
4.6.3 评估协议 61
4.6.4 准备数据 62
4.6.5 模型基线 62
4.6.6 大到过拟合的模型 63
4.6.7 应用正则化 63
4.6.8 学习率选择策略 64
4.7 小结 65
第5章 深度学习之计算机视觉 66
5.1 神经网络简介 66
5.2 从零开始构建CNN模型 69
5.2.1 Conv2d 71
5.2.2 池化 74
5.2.3 非线性激活—ReLU 75
5.2.4 视图 76
5.2.5 训练模型 77
5.2.6 狗猫分类问题—从零开始构建CNN 80
5.2.7 利用迁移学习对狗猫分类 82
5.3 创建和探索VGG16模型 84
5.3.1 冻结层 85
5.3.2 微调VGG16模型 85
5.3.3 训练VGG16模型 86
5.4 计算预卷积特征 88
5.5 理解CNN模型如何学习 91
5.6 CNN层的可视化权重 94
5.7 小结 95
第6章 序列数据和文本的深度学习 96
6.1 使用文本数据 96
6.1.1 分词 98
6.1.2 向量化 100
6.2 通过构建情感分类器训练词向量 104
6.2.1 下载IMDB数据并对文本分词 104
6.2.2 构建词表 106
6.2.3 生成向量的批数据 107
6.2.4 使用词向量创建网络模型 108
6.2.5 训练模型 109
6.3 使用预训练的词向量 110
6.3.1 下载词向量 111
6.3.2 在模型中加载词向量 112
6.3.3 冻结embedding层权重 113
6.4 递归神经网络(RNN) 113
6.5 LSTM 117
6.5.1 长期依赖 117
6.5.2 LSTM网络 117
6.6 基于序列数据的卷积网络 123
6.7 小结 125
第7章 生成网络 126
7.1 神经风格迁移 126
7.1.1 加载数据 129
7.1.2 创建VGG模型 130
7.1.3 内容损失 131
7.1.4 风格损失 131
7.1.5 提取损失 133
7.1.6 为网络层创建损失函数 136
7.1.7 创建优化器 136
7.1.8 训练 137
7.2 生成对抗网络(GAN) 138
7.3 深度卷机生成对抗网络 139
7.3.1 定义生成网络 140
7.3.2 定义判别网络 144
7.3.3 定义损失函数和优化器 145
7.3.4 训练判别网络 145
7.3.5 训练生成网络 146
7.3.6 训练整个网络 147
7.3.7 检验生成的图片 148
7.4 语言建模 150
7.4.1 准备数据 151
7.4.2 生成批数据 152
7.4.3 定义基于LSTM的模型 153
7.4.4 定义训练和评估函数 155
7.4.5 训练模型 157
7.5 小结 159
第8章 现代网络架构 160
8.1 现代网络架构 160
8.1.1 ResNet 160
8.1.2 Inception 168
8.2 稠密连接卷积网络(DenseNet) 175
8.2.1 DenseBlock 175
8.2.2 DenseLayer 176
8.3 模型集成 180
8.3.1 创建模型 181
8.3.2 提取图片特征 182
8.3.3 创建自定义数据集和数据加载器 183
8.3.4 创建集成模型 184
8.3.5 训练和验证模型 185
8.4 encoder-decoder架构 186
8.4.1 编码器 188
8.4.2 解码器 188
8.5 小结 188
第9章 未来走向 189
9.1 未来走向 189
9.2 回顾 189
9.3 有趣的创意应用 190
9.3.1 对象检测 190
9.3.2 图像分割 191
9.3.3 PyTorch中的OpenNMT 192
9.3.4 Allen NLP 192
9.3.5 fast.ai—神经网络不再神秘 192
9.3.6 Open Neural Network Exchange 192
9.4 如何跟上前沿 193
9.5 小结 193
亲,大宗购物请点击企业用户渠道>小苏的服务会更贴心!
亲,很抱歉,您购买的宝贝销售异常火爆让小苏措手不及,请稍后再试~
非常抱歉,您前期未参加预订活动,
无法支付尾款哦!
抱歉,您暂无任性付资格