《Python深度学习实战——基于Pytorch》 - 台灣·大書城 - 吕云翔刘卓然 - 人民邮电出版社

	登入帳戶　 \|　訂單查詢　 \|　購物車/收銀台(0)　\|　在線留言板　 \|　付款方式　 \|　聯絡我們　 \|　運費計算　 \|　幫助中心　\|　加入書簽
		會員登入新註冊 \|　新用戶登記

HOME

新書上架

暢銷書架

好書推介

2023年度TOP

香港／國際用戶

最新/最熱/最齊全的簡體書網

品種：超過100萬種書，正品正价，放心網購，悭钱省心

送貨：速遞 / EMS，時效：出貨後2-3日

『簡體書』Python深度学习实战——基于Pytorch

書城自編碼： 3662629
分類：簡體書→大陸圖書→計算機/網絡→程序設計
作者：吕云翔刘卓然
國際書號(ISBN)： 9787115560155
出版社：人民邮电出版社
出版日期： 2021-08-01

頁數/字數： /
書度/開本： 16开釘裝：平装

售價：NT$ 289

我要買件

** 我創建的書架 **
未登入.

新書推薦：

《关键改变：如何实现自我蜕变》
售價：NT$ 352.0

《超加工人群：为什么有些食物让人一吃就停不下来》
售價：NT$ 454.0

《历史的教训（浓缩《文明的故事》精华，总结历史教训的独特见解）》
售價：NT$ 286.0

《不在场证明谜案（超绝CP陷入冤案！日本文坛超新星推理作家——辻堂梦代表作首次引进！）》
售價：NT$ 265.0

《明式家具三十年经眼录》
售價：NT$ 2387.0

《敦煌写本文献学（增订本）》
售價：NT$ 1010.0

《耕读史》
售價：NT$ 500.0

《地理计算与R语言 [英] 罗宾·洛夫莱斯 [德]雅纳·蒙乔 [波兰] 雅库布·诺沃萨德》
售價：NT$ 551.0

建議一齊購買：

NT$ 940
《 Flask Web开发入门、进阶与实战》

NT$ 894
《 Java高并发核心编程卷1：NIO、Netty、Redis、ZooKeeper 》

NT$ 624
《云原生架构进阶实战》

NT$ 551
《 Go语言实战》

NT$ 834
《 C++新经典》

NT$ 238
《 Visual Basic程序设计（第三版）（高职丁爱萍）》

編輯推薦：

1. 使用PyTorch框架，快速入门深度学习。2. 8个实战案例，分别展示了针对不同的问题使用深度学习技术如何进行解决。3. 提供源程序、数据集、教学课件、教学大纲等学习资源。

內容簡介：

本书以深度学习框架PyTorch为基础，介绍机器学习的基础知识与常用方法，全面细致地提供了基本机器学习操作的原理和在深度学习框架下的实践步骤。全书共16章，主要分别介绍了深度学习基础知识、深度学习框架及其对比，机器学习基础知识，深度学习框架基础，Logistic回归，多层感知器，计算机视觉，自然语言处理以及8个实战案例。本书将理论与实践紧密结合，相信能为读者提供有益的学习指导。?? 本书适合Python深度学习初学者、机器学习算法分析从业人员以及高等院校计算机科学、软件工程等相关专业的师生阅读。

關於作者：

吕云翔，北京航空航天大学教师。比利时布鲁塞尔大学应用科学学院应用信息技术专业硕士、经济学院工商管理专业硕士。具有多年的软件开发、项目管理、计算机教学经验。对IT行业具有较全面的认识。2003至今任北航软件学院副教授。研究领域包括：软件工程 IT项目管理。

第 1 章深度学习简介　1 1.1　计算机视觉　11.1.1　定义　11.1.2　基本任务　11.1.3　传统方法　21.1.4　仿生学与深度学习　31.1.5　现代深度学习　41.2　自然语言处理　71.2.1　自然语言处理的基本问题　71.2.2　传统方法与神经网络方法的比较　81.2.3　发展趋势　91.3　强化学习　101.3.1　什么是强化学习　101.3.2　强化学习算法简介　121.3.3　强化学习的应用　121.4　本章小结　13第　2 章深度学习框架　142.1　Caffe　142.1.1　什么是 Caffe　142.1.2　Caffe 的特点　142.1.3　Caffe 概述　152.2　TensorFlow　162.2.1　什么是 TensorFlow　162.2.2　数据流图　162.2.3　TensorFlow 的特点　172.2.4　TensorFlow 概述　172.3　PyTorch　202.3.1　什么是 PyTorch　202.3.2　PyTorch 的特点　202.3.3　PyTorch 概述　202.4　三者的比较　222.5　本章小结　24第　3 章机器学习基础知识　253.1　模型评估与模型参数选择　253.1.1　验证　263.1.2　正则化　263.2　监督学习与非监督学习　263.2.1　监督学习　273.2.2　非监督学习　283.3　本章小结　29第　4 章 PyTorch 深度学习基础　304.1　Tensor 对象及其运算　304.2　Tensor 的索引和切片　324.3　Tensor 的变换、拼接和拆分　334.4　PyTorch 的 Reduction 操作　354.5　PyTorch 的自动微分　364.6　本章小结　38第　5 章 Logistic 回归　395.1　线性回归简介　395.2　Logistic 回归简介　415.3　用 PyTorch 实现 Logistic 回归　435.3.1　数据准备　435.3.2　线性方程　445.3.3　激活函数　455.3.4　损失函数　455.3.5　优化算法　475.3.6　模型可视化　475.4　本章小结　48第　6 章神经网络基础　496.1　基础概念　496.2　感知器　526.2.1　单层感知器　526.2.2　多层感知器　536.3　BP 神经网络　536.3.1　梯度下降　536.3.2　反向传播　546.4　Dropout 正则化　556.5　Batch Normalization　566.5.1　Batch Normalization 的实现方式　576.5.2　Batch Normalization 的使用方法　586.6　本章小结　59第　7 章卷积神经网络与计算机视觉　607.1　卷积神经网络的基本思想　607.2　卷积操作　617.3　池化层　637.4　卷积神经网络　647.5　经典网络结构　647.5.1　VGG 网络　647.5.2　InceptionNet　657.5.3　ResNet　667.6　用 PyTorch 进行手写数字识别　677.7　本章小结　72第　8 章神经网络与自然语言处理　738.1　语言建模　738.2　基于多层感知器的架构　758.3　基于循环神经网络的架构　768.3.1　循环单元　778.3.2　通过时间反向传播　778.3.3　带有门限的循环单元　788.3.4　循环神经网络语言模型　798.3.5　神经机器翻译　808.4　基于卷积神经网络的架构　838.5　基于 Transformer 的架构　858.5.1　多头注意力　868.5.2　非参位置编码　888.5.3　编码器单元与解码器单元　888.6　表示学习与预训练技术　898.6.1　词向量　908.6.2　加入上下文信息的特征表示　918.6.3　网络预训练　928.7　本章小结　95第　9 章实战：使用 PyTorch 实现基于卷积神经网络模型的图像分类与数据可视化　969.1　卷积神经网络模型　969.1.1　卷积神经网络模型的发展　969.1.2　Tensorboard　979.2　卷积神经网络模型与 Tensorboard实战　979.2.1　FashionMNIST 数据集　979.2.2　数据准备与模型搭建　989.2.3　Tensorboard 的使用　1009.3　本章小结　108第　10 章实战：使用 PyTorch 实现基于textCNN的文本分类　10910.1　文本分类常用的 Python 工具库　10910.2　数据集　11010.3　算法模型　11110.3.1　模型介绍　11110.3.2　模型实现　11410.3.3　模型结果　11510.4　本章小结　115第　11 章实战：使用 PyTorch 搭建卷积神经网络进行音频转化　11611.1　数据集准备　11611.2　数据预处理　11611.2.1　数据集读取　11611.2.2　音频文件分段　11711.2.3　CQT　11811.3　模型构建　11911.3.1　激活函数　11911.3.2　模型分析　12011.3.3　ReLU 激活函数的定义和实现.12011.3.4　flatten 函数平整层处理　12111.3.5　sigmoid 激活函数　12211.4　模型训练与结果评估　12211.4.1　adam 优化器　12211.4.2　学习率策略定义　12211.4.3　准确度验证　12311.4.4　训练　12411.5　本章小结　124第　12 章实战：使用 PyTorch 实现YOLOv3 的验证码识别　12512.1　YOLOv3　12512.1.1　YOLOv3 概述　12512.1.2　YOLOv3 与 PyTorch　12512.1.3　YOLOv3 案例的意义　12612.2　目标检测案例：验证码中的简单文字识别　12612.2.1　YOLOv3 的安装和文档　12612.2.2　训练集的获取和数据标注　12612.2.3　模型训练　12812.2.4　模型的测试与预览　12812.3　YOLO 的其他拓展　12912.4　本章小结　129第　13 章实战：使用 PyTorch 实现基于预训练模型的文本情感分析　13013.1　模型介绍　13013.1.1　预训练模型　13013.1.2　BERT　13013.2　情感分类介绍　13113.2.1　文本情感分析　13113.2.2　BERT 情感分析原理简析　13113.3　环境搭建　13113.3.1　环境选择　13213.3.2　Conda 简介　13313.3.3　Huggingface-Transformer 简介　13313.3.4　Huggingface-Transformer 下载　13313.4　数据集获取　13313.5　模型微调　13413.6　效果测评　13613.7　本章小结　137第　14 章实战：用 PyTorch 进行视频处理　13814.1　数据准备　13814.2　数据预处理　13914.2.1　数据集的读取　13914.2.2　视频关键帧的提取　13914.3　模型构建　14014.3.1　ResNet-18 提取关键帧的特征　14114.3.2　L2 正则化关键帧特征　14214.3.3　视频相似度匹配　14214.3.4　帧级相似度匹配　14314.4　模型训练与结果评估　14514.4.1　训练函数的实现　14514.4.2　训练结果提交　14614.5　本章小结　146第　15 章实战：使用 PyTorch 在跨域数据集上进行图像分类　14715.1　迁移学习　14715.2　跨域数据集　14815.3　ResNet-50　14915.4　案例分析　14915.4.1　数据预处理　14915.4.2　读取数据　15115.4.3　训练　15315.5　本章小结　154第　16 章实战：使用 PyTorch 实现基于BERT的自动新闻文本分类　15516.1　文本分类概述　15516.2　BERT 简介　15616.3　数据预处理　15816.4　模型实现　15916.5　本章小结　160附录　A PyTorch 环境搭建　161A.1　Linux 平台下 PyTorch 环境搭建　161A.2　Windows 平台下 PyTorch 环境搭建.163附录　B 深度学习的数学基础　165B.1　线性代数　165B.2　概率论　172

書城介紹　 \|　合作申請　\|　索要書目　 \|　新手入門　\|　聯絡方式　 \|　幫助中心　\|　找書說明　 \|　送貨方式　\|　付款方式	香港用户　 \|　台灣用户　\|　海外用户

megBook.com.tw
Copyright (C) 2013 - 2024 （香港）大書城有限公司　All Rights Reserved.