新書推薦：
《
周易
》
售價：NT$
203.0
《
东南亚的传统与发展
》
售價：NT$
306.0
《
乾隆制造
》
售價：NT$
398.0
《
资治通鉴臣光曰辑存 资治通鉴目录（司马光全集）（全二册）
》
售價：NT$
1316.0
《
明代社会变迁时期生活质量研究
》
售價：NT$
1367.0
《
律令国家与隋唐文明
》
售價：NT$
332.0
《
紫云村（史杰鹏笔下大唐小吏的生死逃亡，新历史主义小说见微之作，附赠5张与小说内容高度契合的宣纸彩插）
》
售價：NT$
449.0
《
现代吴语的研究（中华现代学术名著3）
》
售價：NT$
296.0
|
| 編輯推薦： |
|
这本简明便捷的参考手册将让你充分掌握最流行的深度学习研究和开发框架之一：PyTorch。本书作者清晰地介绍了语法和设计模式，并提供了代码示例，可以加快你的开发，减少搜寻答案花费的时间。科学家、机器学习工程师和软件开发人员可以从中找到简明的结构化PyTorch代码，这涵盖神经网络开发的每一个步骤，包括加载数据、定制训练循环、模型优化，以及GPU/TPU加速。另外还能很快学会如何使用AWS、Google Cloud或Azure将代码部署到生产环境，以及如何将机器学习模型部署到移动和边缘设备。
|
| 內容簡介： |
|
本书的主要内容有：学习基本PyTorch语法和设计模式。创建定制模型和数据变换。使用GPU和TPU训练和部署模型。训练和测试一个深度学习分类器。使用优化和分布式训练加速训练。利用PyTorch库和PyTorch生态系统。
|
| 關於作者： |
|
Joe Papa在研究和开发领域有超过25年的经验，是TeachMe.AI的创始人。他拥有电机工程硕士学位，并在Booz Allen Hamilton和Perspecta Labs领导使用PyTorch的AI研究团队。Joe指导过成百上千的数据科学家，并在Udemy教过全世界超过6000名学生。
|
| 目錄：
|
|
目录前言 . 1第1 章 PyTorch 简介 91.1 PyTorch 是什么? .91.2 为什么使用PyTorch? .101.3 新手指南 121.3.1 在Google Colaboratory 中运行 131.3.2 在本地计算机上运行 .161.3.3 在云平台上运行 171.3.4 验证你的PyTorch 环境 201.4 一个有趣的例子 20第2 章 张量 292.1 张量是什么？ .302.1.1 简单CPU 示例 .302.1.2 简单GPU 示例 .312.1.3 在CPU 和GPU 之间移动张量 .322.2 创建张量 332.2.1 张量属性372.2.2 数据类型382.2.3 由随机样本创建张量 .402.2.4 创建类似其他张量的张量 422.3 张量操作 422.3.1 张量索引、切片、合并和拆分 .432.3.2 张量数学运算 472.3.3 自动微分（Autograd） .54第3 章 使用PyTorch 的深度学习开发 . 573.1 完整过程 583.2 数据准备 603.2.1 数据加载603.2.2 数据变换653.2.3 数据批处理 .693.2.4 一般数据准备（torch.utils.data） 703.3 模型开发 743.3.1 模型设计753.3.2 训练 903.3.3 验证 983.3.4 测试 .1023.4 模型部署 .1033.4.1 保存模型1043.4.2 部署到PyTorch Hub 1053.4.3 部署到生产环境 106第4 章 神经网络开发参考设计 1074.1 使用迁移学习完成图像分类 .1084.1.1 数据处理1084.1.2 模型设计 1114.1.3 训练和验证 1134.1.4 测试和部署 1154.2 用Torchtext 完成情感分析 1174.2.1 数据处理 1174.2.2 模型设计1234.2.3 训练和验证 1254.2.4 测试和部署 1274.3 生成式学习—用DCGAN 生成Fashion-MNIST 图像 1294.3.1 数据处理1304.3.2 模型设计1324.3.3 训练 .1354.3.4 测试和部署 140第5 章 定制PyTorch 1435.1 定制层和激活函数 .1445.1.1 定制层示例（Complex Linear） 1465.1.2 定制激活示例（Complex ReLU） 1505.2 定制模型架构 1515.3 定制损失函数 1545.4 定制优化器算法 .1565.5 定制训练、验证和测试循环 .160第6 章 PyTorch 加速和优化 . 1656.1 TPU 上使用PyTorch 1666.2 （单机）多个GPU 上使用PyTorch .1706.2.1 数据并行处理 .1706.2.2 模型并行处理 .1756.2.3 结合数据并行处理和模型并行处理.1776.3 （多机）分布式训练 1806.4 模型优化 .1826.4.1 超参数调优 1826.4.2 量化 .1906.4.3 剪枝 .194第7 章 PyTorch 部署到生产环境 2017.1 PyTorch 部署工具和库 2027.1.1 通用示例模型 .2037.1.2 Python API 2047.1.3 TorchScript 2057.1.4 TorchServe 2097.1.5 ONNX .2187.1.6 Mobile 库 2197.2 部署到Flask 应用 2217.3 Colab Flask 应用 .2247.4 用TorchServe 部署到云2277.5 Docker 快速入门.2277.6 部署到移动和边缘设备 2297.6.1 iOS2297.6.2 Android 2327.6.3 其他边缘设备 .236第8 章 PyTorch 生态系统和其他资源 2398.1 PyTorch 生态系统 2408.2 面向图像和视频的Torchvision 2488.2.1 数据集和I/O2498.2.2 模型 .2518.2.3 变换、操作和实用工具 .2538.3 用于NLP 的Torchtext 2618.3.1 创建一个数据集对象 2618.3.2 预处理数据 2628.3.3 创建一个Dataloader 批处理 2638.3.4 数据（torchtext.data） 2648.3.5 数据集（torchtext.datasets） 2658.3.6 词汇表（torchtext.vocab） 2688.4 用于可视化的TensorBoard 2698.4.1 SCALARS 显示学习曲线 .2728.4.2 GRAPHS 显示模型架构 2738.4.3 IMAGES、TEXT 和PROJECTOR 显示数据 .2748.4.4 DISTRIBUTIONS 和HISTOGRAMS 显示权重分布 .2758.4.5 HPARAMS 显示超参数 .2768.4.6 TensorBoard API 2778.5 Papers with Code 2808.6 其他PyTorch 资源 .2808.6.1 教程 .2818.6.2 图书 .2838.6.3 在线课程和现场培训 284
|
|
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
HOME
新書上架
