这本PyTorch深度学习图书，是2019-04-01月由人民邮电出版社所出版的，著作者信息： [印度] 毗湿奴·布拉马尼亚（Vishnu Subramanian） 著，王海玲，刘江峰 译，本版是第1次印刷， ISBN：9787115508980，品牌：异步图书, 这本书的包装是16开平装，所用纸张为胶版纸，全书页数193，字数有万字， 是本值得推荐的Python软件开发图书。

此书内容摘要

PyTorch是Facebook于2017年初在机器学习和计算工具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，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。
《PyTorch深度学习》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。

关于此书作者

Vishnu Subramanian在领导、设计和实施大数据分析项目（人工智能、机器学习和深度学习）方面富有经验。擅长机器学习、深度学习、分布式机器学习和可视化等。在零售、金融和旅行等行业颇具经验，还善于理解和协调企业、人工智能和工程团队之间的关系。

编辑们的推荐

深度学习为世界上的智能系统（比如Google Voice、Siri和Alexa）提供了动力。随着硬件（如GPU）和软件框架（如PyTorch、Keras、TensorFlow和CNTK）的进步以及大数据的可用性，人们在文本、视觉和分析等领域更容易实施相应问题的解决方案。
本书对当今前沿的深度学习库PyTorch进行了讲解。凭借其易学习性、高效性以及与Python开发的天然亲近性，PyTorch获得了深度学习研究人员以及数据家们的关注。本书从PyTorch的安装讲起，然后介绍了为现代深度学习提供驱动力的多个基础模块，还介绍了使用CNN、RNN、LSTM以及其他网络模型解决问题的方法。本书对多个先进的深度学习架构的概念（比如ResNet、DenseNet、Inception和Seq2Seq）进行了阐述，但没有深挖其背后的数学细节。与GPU计算相关的知识、使用PyTorch训练模型的方法，以及用来生成文本和图像的复杂神经网络（如生成网络），也在本书中有所涵盖。
学完本书后，读者可以使用PyTorch轻松开发深度学习应用程序。

本书内容：
在GPU加速的张量计算中使用PyTorch；
为图像自行创建数据集和数据装载器，然后使用torchvision和torchtext测试模型；
使用PyTorch来实现CNN架构，从而构建图像分类器；
使用RNN、LSTM和GRU开发能进行文本分类和语言建模的系统；
学习的CCN架构（比如ResNet、Inception、DenseNet等），并将其应用在迁移学习中；
学习如何混合多个模型，从而生成一个强大的集成模型；
使用GAN生成新图像，并使用风格迁移生成艺术图像。

PyTorch深度学习图书的目录

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PyTorch11
2．2实现第 一个神经网络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
3．1．3PyTorch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dropout58
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
5．2．1Conv2d71
5．2．2池化74
5．2．3非线性激活—ReLU75
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CNN80
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
5．6CNN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
6．5LSTM117
6．5．1长期依赖117
6．5．2LSTM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
8．1．1ResNet160
8．1．2Inception168
8．2稠密连接卷积网络（DenseNet）175
8．2．1DenseBlock175
8．2．2DenseLayer176
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
8．4encoder-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
9．3．3PyTorch中的OpenNMT192
9．3．4Allen NLP192
9．3．5fast．ai—神经网络不再神秘192
9．3．6Open Neural Network Exchange192
9．4如何跟上前沿193
9．5小结193

部分内容试读

暂无.

关于此书评价

暂无.

书摘内容

暂无.

PyTorch深度学习最新最全的试读、书评、目录、简介信息由Python中文网整理提供。