深度学习框架PyTorch:入门与实践
出版时间:
2018-01
版次:
1
ISBN:
9787121330773
定价:
65.00
装帧:
平装
开本:
16开
纸张:
胶版纸
页数:
300页
221人买过
-
《深度学习框架PyTorch:入门与实践》从多维数组Tensor开始,循序渐进地带领读者了解PyTorch各方面的基础知识。结合基础知识和前沿研究,带领读者从零开始完成几个经典有趣的深度学习小项目,包括GAN生成动漫头像、AI滤镜、AI写诗等。《深度学习框架PyTorch:入门与实践》没有简单机械地介绍各个函数接口的使用,而是尝试分门别类、循序渐进地向读者介绍PyTorch的知识,希望读者对PyTorch有一个完整的认识。
《深度学习框架PyTorch:入门与实践》内容由浅入深,无论是深度学习的初学者,还是头次接触PyTorch的研究人员,都能在学习本书的过程中快速掌握PyTorch。即使是有一定PyTorch使用经验的用户,也能够从本书中获得对PyTorch不一样的理解。 陈云
Python程序员、Linux爱好者和PyTorch源码贡献者。主要研究方向包括计算机视觉和机器学习。“2017知乎看山杯机器学习挑战赛”一等奖,“2017天池医疗AI大赛”第八名。 热衷于推广PyTorch,并有丰富的使用经验,活跃于PyTorch论坛和知乎相关板块。 1 PyTorch简介
1.1 PyTorch的诞生 1
1.2 常见的深度学习框架简介 2
1.2.1 Theano 3
1.2.2 TensorFlow 3
1.2.3 Keras 5
1.2.4 Caffe/Caffe2 5
1.2.5 MXNet 6
1.2.6 CNTK 7
1.2.7 其他框架 8
1.3 属于动态图的未来 8
1.4 为什么选择PyTorch 10
1.5 星火燎原 12
1.6 fast.ai 放弃Keras+TensorFlow选择PyTorch 13
2 快速入门 16
2.1 安装与配置 16
2.1.1 安装PyTorch 16
2.1.2 学习环境配置 20
2.2 PyTorch入门第一步 30
2.2.1 Tensor 30
2.2.2 Autograd:自动微分 35
2.2.3 神经网络 38
2.2.4 小试牛刀:CIFAR-10分类 43
3 Tensor和autograd 51
3.1 Tensor 51
3.1.1 基础操作 52
3.1.2 Tensor和Numpy 70
3.1.3 内部结构 73
3.1.4 其他有关Tensor的话题 76
3.1.5 小试牛刀:线性回归 78
3.2 autograd 81
3.2.1 Variable 82
3.2.2 计算图 86
3.2.3 扩展autograd 95
3.2.4 小试牛刀:用Variable实现线性回归 100
4 神经网络工具箱nn 104
4.1 nn.Module 104
4.2 常用的神经网络层 108
4.2.1 图像相关层 108
4.2.2 激活函数 111
4.2.3 循环神经网络层 115
4.2.4 损失函数 117
4.3 优化器 117
4.4 nn.functional 119
4.5 初始化策略 121
4.6 nn.Module深入分析 123
4.7 nn和autograd的关系 130
4.8 小试牛刀:用50行代码搭建ResNet 131
5 PyTorch中常用的工具 136
5.1 数据处理 136
5.2 计算机视觉工具包:torchvision 148
5.3 可视化工具 150
5.3.1 Tensorboard 151
5.3.2 visdom 153
5.4 使用GPU加速:cuda 159
5.5 持久化 162
6 PyTorch实战指南 165
6.1 编程实战:猫和狗二分类 165
6.1.1 比赛介绍 166
6.1.2 文件组织架构 166
6.1.3 关于__init__.py 168
6.1.4 数据加载 168
6.1.5 模型定义 171
6.1.6 工具函数 172
6.1.7 配置文件 175
6.1.8 main.py 177
6.1.9 使用 185
6.1.10 争议 186
6.2 PyTorch Debug 指南 188
6.2.1 ipdb 介绍 188
6.2.2 在PyTorch中Debug 192
7 AI插画师:生成对抗网络 198
7.1 GAN的原理简介 199
7.2 用GAN生成动漫头像 203
7.3 实验结果分析 212
8 AI艺术家:神经网络风格迁移 216
8.1 风格迁移原理介绍 217
8.2 用PyTorch实现风格迁移 223
8.3 实验结果分析 234
9 AI诗人:用RNN写诗 238
9.1 自然语言处理的基础知识 238
9.1.1 词向量 239
9.1.2 RNN 241
9.2 CharRNN 244
9.3 用PyTorch实现CharRNN 247
9.4 实验结果分析 258
10 Image Caption:让神经网络看图讲故事 261
10.1 图像描述介绍 262
10.2 数据 263
10.2.1 数据介绍 263
10.2.2 图像数据处理 271
10.2.3 数据加载 273
10.3 模型与训练 276
10.4 实验结果分析 281
11 展望与未来 283
11.1 PyTorch的局限与发展 283
11.2 使用建议 287
-
内容简介:
《深度学习框架PyTorch:入门与实践》从多维数组Tensor开始,循序渐进地带领读者了解PyTorch各方面的基础知识。结合基础知识和前沿研究,带领读者从零开始完成几个经典有趣的深度学习小项目,包括GAN生成动漫头像、AI滤镜、AI写诗等。《深度学习框架PyTorch:入门与实践》没有简单机械地介绍各个函数接口的使用,而是尝试分门别类、循序渐进地向读者介绍PyTorch的知识,希望读者对PyTorch有一个完整的认识。
《深度学习框架PyTorch:入门与实践》内容由浅入深,无论是深度学习的初学者,还是头次接触PyTorch的研究人员,都能在学习本书的过程中快速掌握PyTorch。即使是有一定PyTorch使用经验的用户,也能够从本书中获得对PyTorch不一样的理解。
-
作者简介:
陈云
Python程序员、Linux爱好者和PyTorch源码贡献者。主要研究方向包括计算机视觉和机器学习。“2017知乎看山杯机器学习挑战赛”一等奖,“2017天池医疗AI大赛”第八名。 热衷于推广PyTorch,并有丰富的使用经验,活跃于PyTorch论坛和知乎相关板块。
-
目录:
1 PyTorch简介
1.1 PyTorch的诞生 1
1.2 常见的深度学习框架简介 2
1.2.1 Theano 3
1.2.2 TensorFlow 3
1.2.3 Keras 5
1.2.4 Caffe/Caffe2 5
1.2.5 MXNet 6
1.2.6 CNTK 7
1.2.7 其他框架 8
1.3 属于动态图的未来 8
1.4 为什么选择PyTorch 10
1.5 星火燎原 12
1.6 fast.ai 放弃Keras+TensorFlow选择PyTorch 13
2 快速入门 16
2.1 安装与配置 16
2.1.1 安装PyTorch 16
2.1.2 学习环境配置 20
2.2 PyTorch入门第一步 30
2.2.1 Tensor 30
2.2.2 Autograd:自动微分 35
2.2.3 神经网络 38
2.2.4 小试牛刀:CIFAR-10分类 43
3 Tensor和autograd 51
3.1 Tensor 51
3.1.1 基础操作 52
3.1.2 Tensor和Numpy 70
3.1.3 内部结构 73
3.1.4 其他有关Tensor的话题 76
3.1.5 小试牛刀:线性回归 78
3.2 autograd 81
3.2.1 Variable 82
3.2.2 计算图 86
3.2.3 扩展autograd 95
3.2.4 小试牛刀:用Variable实现线性回归 100
4 神经网络工具箱nn 104
4.1 nn.Module 104
4.2 常用的神经网络层 108
4.2.1 图像相关层 108
4.2.2 激活函数 111
4.2.3 循环神经网络层 115
4.2.4 损失函数 117
4.3 优化器 117
4.4 nn.functional 119
4.5 初始化策略 121
4.6 nn.Module深入分析 123
4.7 nn和autograd的关系 130
4.8 小试牛刀:用50行代码搭建ResNet 131
5 PyTorch中常用的工具 136
5.1 数据处理 136
5.2 计算机视觉工具包:torchvision 148
5.3 可视化工具 150
5.3.1 Tensorboard 151
5.3.2 visdom 153
5.4 使用GPU加速:cuda 159
5.5 持久化 162
6 PyTorch实战指南 165
6.1 编程实战:猫和狗二分类 165
6.1.1 比赛介绍 166
6.1.2 文件组织架构 166
6.1.3 关于__init__.py 168
6.1.4 数据加载 168
6.1.5 模型定义 171
6.1.6 工具函数 172
6.1.7 配置文件 175
6.1.8 main.py 177
6.1.9 使用 185
6.1.10 争议 186
6.2 PyTorch Debug 指南 188
6.2.1 ipdb 介绍 188
6.2.2 在PyTorch中Debug 192
7 AI插画师:生成对抗网络 198
7.1 GAN的原理简介 199
7.2 用GAN生成动漫头像 203
7.3 实验结果分析 212
8 AI艺术家:神经网络风格迁移 216
8.1 风格迁移原理介绍 217
8.2 用PyTorch实现风格迁移 223
8.3 实验结果分析 234
9 AI诗人:用RNN写诗 238
9.1 自然语言处理的基础知识 238
9.1.1 词向量 239
9.1.2 RNN 241
9.2 CharRNN 244
9.3 用PyTorch实现CharRNN 247
9.4 实验结果分析 258
10 Image Caption:让神经网络看图讲故事 261
10.1 图像描述介绍 262
10.2 数据 263
10.2.1 数据介绍 263
10.2.2 图像数据处理 271
10.2.3 数据加载 273
10.3 模型与训练 276
10.4 实验结果分析 281
11 展望与未来 283
11.1 PyTorch的局限与发展 283
11.2 使用建议 287
查看详情
-
九五品
四川省成都市
平均发货11小时
成功完成率93.39%
-
九品
天津市宝坻区
平均发货14小时
成功完成率95.39%
-
八五品
湖北省武汉市
平均发货12小时
成功完成率94.51%
-
八五品
上海市闵行区
平均发货13小时
成功完成率97.52%
-
八五品
河南省鹤壁市
平均发货23小时
成功完成率90.82%
-
八五品
河南省鹤壁市
平均发货28小时
成功完成率88.59%
-
九品
湖北省武汉市
平均发货12小时
成功完成率94.51%
-
九品
北京市海淀区
平均发货24小时
成功完成率86.37%
-
全新
北京市石景山区
平均发货35小时
成功完成率93.54%
-
2018-12 印刷
印次: 7
八品
安徽省蚌埠市
平均发货16小时
成功完成率97.29%
-
九品
北京市昌平区
平均发货23小时
成功完成率86.35%
-
八五品
北京市海淀区
平均发货14小时
成功完成率91.45%
-
八五品
北京市朝阳区
平均发货13小时
成功完成率96.93%
-
九五品
河北省保定市
平均发货39小时
成功完成率90.62%
-
八五品
北京市昌平区
平均发货4小时
成功完成率98.27%
-
八五品
广东省东莞市
平均发货28小时
成功完成率90.15%
-
八五品
广东省东莞市
平均发货28小时
成功完成率90.15%
-
九品
河北省保定市
平均发货10小时
成功完成率95.69%
-
2018-04 印刷
印次: 3
八品
安徽省蚌埠市
平均发货16小时
成功完成率97.29%
-
全新
广东省广州市
平均发货7小时
成功完成率88.68%
-
九品
上海市杨浦区
平均发货18小时
成功完成率94.64%
-
九品
北京市昌平区
平均发货34小时
成功完成率92.98%
-
九五品
北京市通州区
平均发货25小时
成功完成率92.07%
-
八五品
上海市嘉定区
平均发货10小时
成功完成率97.94%
-
全新
江苏省南京市
平均发货39小时
成功完成率75.44%
-
全新
广东省广州市
平均发货8小时
成功完成率86.37%
-
八五品
重庆市南岸区
平均发货18小时
成功完成率77.65%
-
九品
北京市丰台区
平均发货8小时
成功完成率95.07%
-
全新
江苏省南京市
平均发货44小时
成功完成率76.5%
-
全新
广东省广州市
平均发货8小时
成功完成率89.84%
-
2018-10 印刷
印次: 6
九品
北京市昌平区
平均发货11小时
成功完成率96.79%
-
八五品
四川省成都市
平均发货20小时
成功完成率67.74%
-
八五品
陕西省西安市
平均发货16小时
成功完成率81.93%
-
八五品
河北省衡水市
平均发货22小时
成功完成率92.08%
-
全新
江苏省南京市
平均发货44小时
成功完成率76.5%
-
2019-04 印刷
印次: 8
八五品
北京市昌平区
平均发货33小时
成功完成率91.02%
-
九品
江西省宜春市
平均发货16小时
成功完成率92.2%
-
九品
北京市海淀区
平均发货6小时
成功完成率96.58%
-
全新
河北省廊坊市
平均发货19小时
成功完成率88.55%
-
八五品
河北省廊坊市
平均发货13小时
成功完成率92.75%
-
九品
河北省沧州市
平均发货19小时
成功完成率96.66%
-
八五品
江苏省南京市
平均发货12小时
成功完成率87.31%
-
全新
北京市昌平区
平均发货29小时
成功完成率92.81%
-
九品
河北省沧州市
平均发货19小时
成功完成率96.66%
-
全新
上海市黄浦区
平均发货39小时
成功完成率68.12%
-
全新
上海市黄浦区
平均发货39小时
成功完成率68.12%
-
九五品
北京市朝阳区
平均发货14小时
成功完成率97.22%
-
九五品
四川省成都市
平均发货12小时
成功完成率92.11%
-
2018-01 印刷
印次: 1
八五品
四川省成都市
平均发货9小时
成功完成率90.2%
-
八五品
四川省成都市
平均发货20小时
成功完成率67.74%