文轩网图书旗舰店
  • 扫码下单

  • Python深度学习 基于PyTorch 第2版 吴茂贵 等 著 专业科技 文轩网
  • 新华书店正版
    • 作者: 吴茂贵 等著
    • 出版社: 机械工业出版社
    • 出版时间:2023-01-01 00:00:00
    送至
  • 由""直接销售和发货,并提供售后服务
  • 加入购物车 购买电子书
    服务

    看了又看

    商品预定流程:

    查看大图
    /
    ×

    店铺装修中

    商家:
    文轩网图书旗舰店
    联系:
    • 商品

    • 服务

    • 物流

    搜索店内商品

    文轩网图书旗舰店

  •      https://product.suning.com/0070067633/11555288247.html

     

    商品参数
    • 作者: 吴茂贵 等著
    • 出版社:机械工业出版社
    • 出版时间:2023-01-01 00:00:00
    • 版次:2
    • 印次:1
    • 印刷时间:2023-01-01
    • 页数:408
    • 开本:16开
    • 装帧:平装
    • ISBN:9787111718802
    • 国别/地区:中国
    • 版权提供:机械工业出版社

    Python深度学习 基于PyTorch 第2版

    作  者:吴茂贵 等 著
    定  价:109
    出 版 社:机械工业出版社
    出版日期:2023年01月01日
    页  数:408
    装  帧:平装
    ISBN:9787111718802
    主编推荐

    (1)作者经验丰富:核心作者在大数据和人工智能领域有着超过20年的工作经验,实战经验非常丰富,其他几位作者也在大数据和人工智能领域颇有造诣。 (2)畅销书全面升级:第1版销量和口碑俱佳,是深度学习领域的畅销书,第2版根据PyTorch新版本升级,技术性、实战性、针对性、易读性进一步提升。 (3)PyTorch领域事实标准:因为内容扎实、可读性强,第1版被读者誉为PyTorch领域的标准著作,是读者的优选。 (4)深度学习双子星:本书是《Python深度学习:基于TensorFlow(第2版)》的姊妹篇,这两本书均是深度学习领域的畅销书。 (5)精心谋划、通俗易懂:本书在内容的选择、安排和表现形式上精心谋划,目的是确保高质量内容的同时,让深度学习的学习门槛大大降低。

    内容简介

    这是一本能指导读者快速掌握PyTorch和深度学习的著作,从PyTorch的原理到应用,从深度学习到强化学习,本书提供了全栈解决方案。第1版上市后销量和口碑俱佳,是深度学习领域的畅销书,被誉为PyTorch领域的标准著作。第2版在第1版的基础上,去芜存菁,与时具进,根据PyTorch新版本全面升级,技术性、实战性、针对性、丰富性、易读性均得到了进一步提升,必定能帮助读者更轻松、更高效地进入深度学习的世界。全书一共19章,在结构上分为三大部分:第1部分(第1~4章)PyTorch基础首先有针对性地讲解了Python和PyTorch的基石NumPy中的关键知识,然后详细讲解了PyTorch的基础知识、神经网络工具箱和数据处理工具箱等内容,帮助读者快速了解和掌握PyTorch。第二部分(第5~10章)深度学习基础依次讲解了机器学习、视觉处理、自然语言处理、注意力机制、目标检测、语义分null

    作者简介

    精彩内容

    目录
    前言
    第1版前言
    第一部分PyTorch基础
    第1章NumPy基础知识2
    1.1生成NumPy数组3
    1.1.1数组属性4
    1.1.2利用已有数据生成数组4
    1.1.3利用 random 模块生成数组5
    1.1.4生成特定形状的多维数组7
    1.1.5利用arange、linspace函数生成数组8
    1.2读取数据9
    1.3NumPy的算术运算11
    1.3.1逐元素操作11
    1.3.2点积运算12
    1.4数组变形13
    1.4.1修改数组的形状13
    1.4.2合并数组16
    1.5批处理19
    1.6节省内存20
    1.7通用函数21
    1.8广播机制23
    1.9小结24
    第2章PyTorch基础知识25
    2.1为何选择PyTorch25
    2.2PyTorch的安装配置26
    2.2.1安装CPU版PyTorch26
    2.2.2安装GPU版PyTorch28
    2.3Jupyter Notebook环境配置30
    2.4NumPy与Tensor31
    2.4.1Tensor概述31
    2.4.2创建Tensor32
    2.4.3修改Tensor形状34
    2.4.4索引操作35
    2.4.5广播机制35
    2.4.6逐元素操作36
    2.4.7归并操作37
    2.4.8比较操作37
    2.4.9矩阵操作38
    2.4.10PyTorch与NumPy比较39
    2.5Tensor与autograd39
    2.5.1自动求导要点40
    2.5.2计算图40
    2.5.3标量反向传播41
    2.5.4非标量反向传播42
    2.5.5切断一些分支的反向传播45
    2.6使用NumPy实现机器学习任务47
    2.7使用Tensor及autograd实现机器学习任务49
    2.8使用优化器及自动微分实现机器学习任务51
    2.9把数据集转换为带批量处理功能的迭代器52
    2.10使用TensorFlow 2实现机器学习任务54
    2.11小结55
    第3章PyTorch神经网络工具箱56
    3.1神经网络核心组件56
    3.2构建神经网络的主要工具57
    3.2.1nn.Module57
    3.2.2nn.functional58
    3.3构建模型59
    3.3.1继承nn.Module基类构建模型59
    3.3.2使用nn.Sequential按层顺序构建模型60
    3.3.3继承nn.Module基类并应用模型容器来构建模型63
    3.3.4自定义网络模块66
    3.4训练模型68
    3.5实现神经网络实例69
    3.5.1背景说明69
    3.5.2准备数据70
    3.5.3可视化源数据71
    3.5.4构建模型72
    3.5.5训练模型72
    3.6小结74
    第4章PyTorch数据处理工具箱75
    4.1数据处理工具箱概述75
    4.2utils.data76
    4.3torchvision78
    4.3.1transforms78
    4.3.2ImageFolder79
    4.4可视化工具81
    4.4.1TensorBoard简介81
    4.4.2用TensorBoard可视化神经网络82
    4.4.3用TensorBoard可视化损失值83
    4.4.4用TensorBoard可视化特征图84
    4.5小结85
    第二部分深度学习基础
    第5 章机器学习基础88
    5.1机器学习的基本任务88
    5.1.1监督学习89
    5.1.2无监督学习89
    5.1.3半监督学习90
    5.1.4强化学习90
    5.2机器学习的一般流程90
    5.2.1明确目标91
    5.2.2收集数据91
    5.2.3数据探索与预处理91
    5.2.4选择模型及损失函数91
    5.2.5评估及优化模型92
    5.3过拟合与欠拟合93
    5.3.1权重正则化93
    5.3.2dropout正则化94
    5.3.3批量归一化97
    5.3.4层归一化99
    5.3.5权重初始化99
    5.4选择合适的激活函数100
    5.5选择合适的损失函数101
    5.6选择合适的优化器103
    5.6.1传统梯度优化算法104
    5.6.2批量随机梯度下降法105
    5.6.3动量算法106
    5.6.4Nesterov动量算法108
    5.6.5AdaGrad算法109
    5.6.6RMSProp算法111
    5.6.7Adam算法112
    5.6.8Yogi算法113
    5.6.9使用优化算法实例114
    5.7GPU加速116
    5.7.1单GPU加速116
    5.7.2多GPU加速117
    5.7.3使用GPU时的注意事项120
    5.8小结121
    第6章视觉处理基础122
    6.1从全连接层到卷积层122
    6.1.1图像的两个特性123
    6.1.2卷积神经网络概述124
    6.2卷积层125
    6.2.1卷积核127
    6.2.2步幅129
    6.2.3填充130
    6.2.4多通道上的卷积131
    6.2.5激活函数134
    6.2.6卷积函数135
    6.2.7转置卷积136
    6.2.8特征图与感受野137
    6.2.9全卷积网络138
    6.3池化层139
    6.3.1局部池化140
    6.3.2全局池化140
    6.4现代经典网络142
    6.4.1LeNet-5模型142
    6.4.2AlexNet模型143
    6.4.3VGG模型143
    6.4.4GoogLeNet模型144
    6.4.5ResNet模型145
    6.4.6DenseNet模型146
    6.4.7CapsNet模型148
    6.5使用卷积神经网络实现CIFAR10
    ……

    售后保障

    最近浏览

    猜你喜欢

    该商品在当前城市正在进行 促销

    注:参加抢购将不再享受其他优惠活动

    x
    您已成功将商品加入收藏夹

    查看我的收藏夹

    确定

    非常抱歉,您前期未参加预订活动,
    无法支付尾款哦!

    关闭

    抱歉,您暂无任性付资格

    此时为正式期SUPER会员专享抢购期,普通会员暂不可抢购