[正版]PyTorch深度学习简明实战

                                                                                              店铺公告

本店存在书、古旧书、收藏书、二手书等特殊商品，因受采购成本限制,可能高于定价销售，明码标价，介意者勿拍!

1.书籍因稀缺可能导致售价高于定价,图书实际定价参见下方详情内基本信息,请买家看清楚且明确后再拍，避免价格争议!

2.店铺无纸质均开具电子，请联系客服开具电子版

深度学习是机器学习领域中一个重要的研究方向，它被引入机器学习使其更接近于初的目标——人工智能。深度学习作为机器学习的一种，而机器学习是实现人工智能的必经路径，因此读者有必要深入了解深度学习。
本书对深受研究人员关注的深度学习及其开源框架——PyTorch进行了讲解。PyTorch凭借其易学习性、高效性以及与Python开发的天然亲近性，获得了深度学习研究人员以及数据科学家们的关注。本书从PyTorch的安装讲起，还介绍了回归问题、张量基础、多层感知器、卷积基础和卷积模型、迁移学习和数据增强、经典网络架构、图像定位、图像语义分割、目标识别、循环神经网络和文本分类、一维卷积模型、序列预测、生成对抗网络等内容。
书中采用简明的语言进行知识的讲解、注重实战。
读者通过书中的基础与实战部分的学习，可快速掌握深度学习，并学会使用PyTorch轻松开发深度学习应用程序来解决各类深度学习问题。

第1篇 深度学习基础篇
第1 章 PyTorch 简介与安装  2
11 PyTorch 简介  2
12 PyTorch 的主要应用  3
13 PyTorch 安装  4
131 CPU 版本PyTorch 安装  5
132 GPU 版本PyTorch 安装  6
133 安装辅助库和安装测试  7
14 本章小结  10
第2 章 机器学习基础与线性回归  11
21 机器学习基础  11
22 线性回归  12
23 本章小结  18
第3 章 张量与数据类型  19
31 PyTorch 张量  19
311 初始化张量  19
312 张量类型  20
313 创建随机值张量  21
314 张量属性  22
315 将张量移动到显存  22
32 张量运算  23
321 与NumPy 数据类型的转换  24
322 张量的变形  24
33 张量的自动微分  25
34 本章小结  26
第4 章 分类问题与多层感知器  27
41 torchvision 库  27
42 加载内置图片数据集  27
43 多层感知器  30
44 激活函数  33
441 ReLU 激活函数  33
442 Sigmoid 激活函数  34
443 Tanh 激活函数  35
444 LeakyReLU 激活函数  36
45 本章小结  37
第5 章 多层感知器模型与模型训练  38
51 多层感知器模型  38
52 损失函数  40
53 优化器  41
54 初始化模型  42
55 编写训练循环  42
56 本章小结  46
第6 章 梯度下降法、反向传播算法与内置优化器  47
61 梯度下降法  47
62 反向传播算法  49
63 PyTorch 内置的优化器  50
631 SGD 优化器  51
632 RMSprop 优化器  51
633 Adam 优化器  51
64 本章小结  52
第2 篇 计算机视觉篇
第7 章 计算机视觉与卷积神经网络  54
71 什么是卷积神经网络  54
72 池化层  57
73 卷积神经网络的整体架构  59
74 本章小结  60
第8 章 卷积入门实例  61
81 数据输入  61
82 创建卷积模型并训练  62
83 函数式API  66
84 超参数选择  67
85 本章小结  68
第9 章 图像读取与模型保存  69
91 加载图片数据集  69
92 创建图片分类模型  74
93 模型保存  77
931 保存和加载模型权重 77
932 保存和恢复检查点  77
933 保存参数  79
94 本章小结  80
第10 章 多分类问题与卷积模型的优化  82
101 创建自定义Dataset 类  82
102 基础卷积模型  87
103 Dropout 抑制过拟合  89
104 批标准化  93
105 学习速率衰减  96
106 本章小结  98
第11 章 迁移学习与数据增强  99
111 什么是迁移学习  99
112 数据增强  103
113 微调  109
114 本章小结  112
第12 章 经典网络模型与特征提取  113
121 VGG  113
122 ResNet  115
123 TensorBoard 可视化  117
124 ResNetBasicBlock 结构  120
125 Inception  123
126 DenseNet  126
127 DenseNet 预训练模型提取特征  128
128 本章小结  131
第13 章 图像定位基础  132
131 简单图像定位模型  132
132 数据集观察  133
133 创建模型输入  138
134 创建图像定位模型  141
135 模型保存与测试  146
136 本章小结  147
第14 章 图像语义分割  148
141 常见图像处理任务  148
142 图像语义分割  150
143 U-Net 语义分割模型  152
144 创建输入dataset  154
145 反卷积  158
146 U-Net 模型代码实现  159
147 模型训练  163
148 模型的保存和预测  166
149 本章小结  168
第3 篇 自然语言处理和序列篇
第15 章 文本分类与词嵌入  172
151 文本的数值表示  172
1511 Word2vec  174
1512 Glove  174
1513 Embedding Layer  174
152 torchtext 加载内置文本数据集  175
153 创建DataLoader 和文本分类模型  178
1531 Xavier 初始化方法  181
1532 kaiming 初始化方法  182
154 本章小结  184
第16 章 循环神经网络与一维卷积神经网络  185
161 循环神经网络的概念 185
162 长短期记忆网络  192
163 门控循环单元  194
164 LSTM 和GRU 高阶API  195
165 循环神经网络的应用  197
166 中文文本分类实例  198
167 LSTM 模型的优化  201
168 一维卷积神经网络  203
169 本章小结  207
第17 章 序列预测实例  208
171 时间序列数据集准备  208
172 序列预测模型  214
173 本章小结  215
第4 篇 生成对抗网络和目标检测篇
第18 章 生成对抗网络  218
181 GAN 的概念及应用  218
1811 什么是GAN  218
1812 GAN 的应用  220
182 基本的GAN 实例  221
183 深度卷积生成对抗网络  227
184 本章小结  231
第19 章 目标检测  232
191 什么是目标检测  232
192 常用目标检测算法  234
193 PyTorch 目标检测模块  236
194 目标检测的图像标注 241
195 使用自行标注数据集训练目标检测模型  242
196 本章小结  249
参考文献  250

本书针对深度学习及开源框架——PyTorch，采用简明的语言进行知识的讲解，注重实战。全书分为4篇，共19章。深度学习基础篇（第1章~第6章）包括PyTorch简介与安装、机器学习基础与线性回归、张量与数据类型、分类问题与多层感知器、多层感知器模型与模型训练、梯度下降法、反向传播算法与内置优化器。计算机视觉篇（第7章~第14章）包括计算机视觉与卷积神经网络、卷积入门实例、图像读取与模型保存、多分类问题与卷积模型的优化、迁移学习与数据增强、经典网络模型与特征提取、图像定位基础、图像语义分割。自然语言处理和序列篇（第15章~第17章)包括文本分类与词嵌入、循环神经网络与一维卷积神经网络、序列预测实例。生成对抗网络和目标检测篇（第18章~第19章)包括生成对抗网络、目标检测。
本书适合人工智能行业的软件工程师、对人工智能感兴趣的学生学习，同时也可作为深度学习的培训教程。

日月光华：
网易云课堂资深讲师,经验丰富的数据科学家和深度学习算法工程师。擅长使用Python编程,编写爬虫并利用Python进行数据分析和可视化。对机器学习和深度学习有深入理解,熟悉常见的深度学习框架( PyTorch、TensorFlow)和模型，有丰富的深度学习、数据分析和爬虫等开发经验，著有畅销书《Python网络爬虫实例教程(视频讲解版)》。