Python深度学习：基于PyTorch 第2版

定　价：¥109.00

作　者：	吴茂贵，郁明敏，杨本法，李涛
出版社：	机械工业出版社
丛编项：
标　签：	暂缺

购买这本书可以去

ISBN：	9787111718802	出版时间：	2023-02-01	包装：	平装-胶订
开本：	16开	页数：		字数：

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、语义分割、生成式深度学习等机器学习和深度学习的核心技术的原理和使用。第三部分（第11~17章）深度学习实践通过实战案例的方式，详细讲解了PyTorch在人脸检测和识别、迁移学习、中英文互译、图像分类、语义分割、生成式网络、对抗攻击等领域的应用和解决方案。第四部分（第18-19章）强化学习重点介绍了强化学习和深度强化学习的基础理论、常用算法及相关实例。更为重要的是，为了让本书通俗易懂，在内容安排和写作方式上也颇花了一番心思。内容选择上，广泛涉猎、重点突出、注重实战；内容安排上，实例切入、由浅入深、循序渐进；表达形式上，深度抽象、化繁为简、用图说话。

作者简介

　　吴茂贵资深大数据和人工智能技术专家，在BI、数据挖掘与分析、数据仓库、机器学习等领域工作超过20年。在基于Spark、TensorFlow、PyTorch等的机器学习和深度学习方面有大量的工程实践实践。著有《Python深度学习：基于TensorFlow》、《深度实践Spark机器学习》、《自己动手做大数据系统》、《深入浅出Embedding原理解析与应用实践》等畅销书。郁明敏资深商业分析师，从事互联网金融算法研究工作，专注于大数据、机器学习以及数据可视化的相关领域，擅长 Python、Hadoop、Spark 等技术，拥有丰富的实战经验。曾获“江苏省TI杯大学生电子竞技大赛”二等奖和“华为杯全国大学生数学建模大赛”二等奖。杨本法　高级算法工程师，工业表面缺陷检测设备开发架构师，在机器学习、文本挖掘、可视化等领域有多年实践经验。做过大型电商的推荐系统，知名手机厂商外壳表面检测设备。熟悉Hadoop、Spark生态圈的相关技术，对Python有丰富的实战经验。李涛　资深AI技术工程师，任职于携程（上海）科技有限公司，负责酒店排序推荐相关项目的数据分析和算法开发，在计算机视觉技术和搜索推荐系统有深刻的理解和丰富的实践经验。张粤磊国云大数据学院院长，飞谷云创始人，毕业于中国科技大学，原平安壹钱包大数据架构师。业内知名大数据专家，多部大数据畅销书作者。2016年以来每年都以高级专家和咨询顾问身份深入参与大数据、人工智能技术在行业的落地应用。

图书目录

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
1.3　NumPy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
2.2　PyTorch的安装配置26
2.2.1　安装CPU版PyTorch26
2.2.2　安装GPU版PyTorch28
2.3　Jupyter Notebook环境配置30
2.4　NumPy与Tensor31
2.4.1　Tensor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
2.4.10　PyTorch与NumPy比较39
2.5　Tensor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
3.2.1　nn.Module57
3.2.2　nn.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
4.2　utils.data76
4.3　torchvision78
4.3.1　transforms78
4.3.2　ImageFolder79
4.4　可视化工具81
4.4.1　TensorBoard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
5.3.2　dropout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
5.6.4　Nesterov动量算法108
5.6.5　AdaGrad算法109
5.6.6　RMSProp算法111
5.6.7　Adam算法112
5.6.8　Yogi算法113
5.6.9　使用优化算法实例114
5.7　GPU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
6.4.1　LeNet-5模型142
6.4.2　AlexNet模型143
6.4.3　VGG模型143
6.4.4　GoogLeNet模型144
6.4.5　ResNet模型145
6.4.6　DenseNet模型146
6.4.7　CapsNet模型148
6.5　使用卷积神经网络实现CIFAR10
　　多分类149<>