书籍详情
PyTorch开发入门：深度学习模型的构建与程序实现
作者：杜世桥 著
出版社：机械工业出版社
出版时间：2022-04-01
ISBN：9787111700555
定价：¥79.00
购买这本书可以去
内容简介
《PyTorch开发入门：深度学习模型的构建与程序实现》以PyTorch为主要内容，介绍了其安装和实际应用，共7章。其中，第1章介绍了PyTorch的包结构；第2章介绍了线性模型，并通过PyTorch的实际使用来实现线性回归模型和逻辑回归模型；第3章介绍了神经网络，实际使用PyTorch创建一个多层感知器（Perceptron）；第4章介绍了通过卷积神经网络（CNN）进行的图像处理，通过PyTorch实际进行CNN的图像分类，低分辨率图像到高分辨率的转换，使用深度卷积生成对抗网络（DCGAN）进行新的图像生成以及迁移学习；第5章介绍了通过循环神经网络（RNN）进行的自然语言处理，通过PyTorch实际进行文本的分类和文本的生成以及基于编码器-解码器模型的机器翻译；第6章介绍了矩阵分解以及推荐系统的神经网络构建；第7章介绍了PyTorch模型的应用程序嵌入，WebAPI的实际创建，Docker的打包发布，以及基于*新开放神经网络交换（ONNX）标准的模型移植。
作者简介
暂缺《PyTorch开发入门：深度学习模型的构建与程序实现》作者简介
目录
目 录
译者序
原书前言
阅读本书需要的知识基础
本书的构成
关于本书样例和样例程序的运行环境
第0 章 开发环境的准备 001
0.1 本书的验证环境 002
0.1.1 OS 环境：Ubuntu 16.04 002
0.1.2 NVIDIA 公司的GPU 002
0.1.3 在云端启动GPU 配置的实例 003
0.2 开发环境的构建 004
0.2.1 Miniconda 的安装 004
0.2.2 虚拟环境的构建 007
第1 章 PyTorch 基础 011
1.1 PyTorch 的构成 012
1.1.1 PyTorch 整体情况 012
1.2 Tensor 013
1.2.1 Tensor 的生成和转换 013
1.2.2 Tensor 的索引操作 014
1.2.3 Tensor 的运算 015
1.3 Tensor 和自动微分 020
1.4 本章小结 022
第2 章 极大似然估计与线性模型 023
2.1 随机模型和极大似然估计 024
2.2 随机梯度下降法 026
2.3 线性回归模型 027
2.3.1 线性回归模型的极大似然估计 027
2.3.2 PyTorch中的线性回归模型（from scratch） 028
2.3.3 PyTorch中的线性回归模型（nn、optim 模块的应用） 030
2.4 logistic回归 033
2.4.1 logistic回归的极大似然估计 033
2.4.2 PyTorch中的logistic 回归 034
2.4.3 多元logistic回归 036
2.5 本章小结 039
第3 章 多层感知器 041
3.1 MLP 的构建与学习 042
3.2 Dataset 与DataLoader 046
3.3 高效学习的提示 048
3.3.1 基于Dropout 的正则化 048
3.3.2 通过Batch Normalization 进行学习的加速 051
3.4 网络模块化 053
3.4.1 自有网络层（自定义层）的创建 053
3.5 本章小结 055
第4 章 图像处理和卷积神经网络 057
4.1 图像的卷积计算 058
4.2 基于CNN 的图像分类 059
4.2.1 Fashion-MNIST 059
4.2.2 CNN 的构建与学习训练 061
4.3 迁移学习 066
4.3.1 数据准备 068
4.3.2 通过PyTorch 进行迁移学习 070
4.4 通过CNN 回归模型提高图像分辨率 076
4.4.1 数据准备 076
4.4.2 模型的创建 078
4.5 基于DCGAN 的图像生成 084
4.5.1 什么是GAN 084
4.5.2 数据准备 084
4.5.3 基于PyTorch 的DCGAN 086
4.6 本章小结 094
第5 章 自然语言处理与循环神经网络 095
5.1 RNN 096
5.2 文本数据的数值化 097
5.3 RNN 与文本的分类 099
5.3.1 IMDb 评论数据集 099
5.3.2 网络的定义和训练 103
5.3.3 可变长度序列的处理 108
5.4 RNN 的文本生成 111
5.4.1 数据准备 111
5.4.2 模型的定义和学习 114
5.5 基于编码器 - 解码器模型的机器翻译 119
5.5.1 编码器- 解码器模型 119
5.5.2 数据准备 120
5.5.3 基于PyTorch 的编码器- 解码器模型 124
5.6 本章小结 131
第6 章 推荐系统和矩阵分解 133
6.1 矩阵分解 134
6.1.1 理论背景 134
6.1.2 MovieLens 数据集 135
6.1.3 PyTorch 中的矩阵分解 136
6.2 基于神经网络的矩阵分解 141
6.2.1 非线性矩阵分解 141
6.2.2 附加信息的使用 142
6.3 本章小结 149
第7 章 应用程序中的嵌入 151
7.1 模型的保存和读取 152
7.2 使用Flask 的WebAPI 154
7.3 利用Docker 进行调试 162
7.3.1 nvidia-docker 的安装 162
7.3.2 PyTorch Docker 映像的创建 163
7.3.3 WebAPI 的部署 165
7.4 与使用ONNX 的其他框架的协作 168
7.4.1 什么是ONNX 168
7.4.2 PyTorch 模型的导出 169
7.4.3 Caffe2 中ONNX 模型的使用 170
7.4.4 将ONNX 模型另存为Caffe2 模型 172
7.5 本章小结 174
附录
附录A 训练过程的可视化 175
A.1 通过TensorBoard 进行的可视化 176
附录B Colaboratory 下PyTorch 开发环境的构建 181
B.1 Colaboratory 下PyTorch 开发环境的构建方法 182
B.1.1 什么是Colaboratory 182
B.1.2 机器的配置 182
B.1.3 PyTorch 环境的构建 182
B.1.4 PyTorch 的安装 189
B.1.5 数据的获取 190
译者序
原书前言
阅读本书需要的知识基础
本书的构成
关于本书样例和样例程序的运行环境
第0 章 开发环境的准备 001
0.1 本书的验证环境 002
0.1.1 OS 环境：Ubuntu 16.04 002
0.1.2 NVIDIA 公司的GPU 002
0.1.3 在云端启动GPU 配置的实例 003
0.2 开发环境的构建 004
0.2.1 Miniconda 的安装 004
0.2.2 虚拟环境的构建 007
第1 章 PyTorch 基础 011
1.1 PyTorch 的构成 012
1.1.1 PyTorch 整体情况 012
1.2 Tensor 013
1.2.1 Tensor 的生成和转换 013
1.2.2 Tensor 的索引操作 014
1.2.3 Tensor 的运算 015
1.3 Tensor 和自动微分 020
1.4 本章小结 022
第2 章 极大似然估计与线性模型 023
2.1 随机模型和极大似然估计 024
2.2 随机梯度下降法 026
2.3 线性回归模型 027
2.3.1 线性回归模型的极大似然估计 027
2.3.2 PyTorch中的线性回归模型（from scratch） 028
2.3.3 PyTorch中的线性回归模型（nn、optim 模块的应用） 030
2.4 logistic回归 033
2.4.1 logistic回归的极大似然估计 033
2.4.2 PyTorch中的logistic 回归 034
2.4.3 多元logistic回归 036
2.5 本章小结 039
第3 章 多层感知器 041
3.1 MLP 的构建与学习 042
3.2 Dataset 与DataLoader 046
3.3 高效学习的提示 048
3.3.1 基于Dropout 的正则化 048
3.3.2 通过Batch Normalization 进行学习的加速 051
3.4 网络模块化 053
3.4.1 自有网络层（自定义层）的创建 053
3.5 本章小结 055
第4 章 图像处理和卷积神经网络 057
4.1 图像的卷积计算 058
4.2 基于CNN 的图像分类 059
4.2.1 Fashion-MNIST 059
4.2.2 CNN 的构建与学习训练 061
4.3 迁移学习 066
4.3.1 数据准备 068
4.3.2 通过PyTorch 进行迁移学习 070
4.4 通过CNN 回归模型提高图像分辨率 076
4.4.1 数据准备 076
4.4.2 模型的创建 078
4.5 基于DCGAN 的图像生成 084
4.5.1 什么是GAN 084
4.5.2 数据准备 084
4.5.3 基于PyTorch 的DCGAN 086
4.6 本章小结 094
第5 章 自然语言处理与循环神经网络 095
5.1 RNN 096
5.2 文本数据的数值化 097
5.3 RNN 与文本的分类 099
5.3.1 IMDb 评论数据集 099
5.3.2 网络的定义和训练 103
5.3.3 可变长度序列的处理 108
5.4 RNN 的文本生成 111
5.4.1 数据准备 111
5.4.2 模型的定义和学习 114
5.5 基于编码器 - 解码器模型的机器翻译 119
5.5.1 编码器- 解码器模型 119
5.5.2 数据准备 120
5.5.3 基于PyTorch 的编码器- 解码器模型 124
5.6 本章小结 131
第6 章 推荐系统和矩阵分解 133
6.1 矩阵分解 134
6.1.1 理论背景 134
6.1.2 MovieLens 数据集 135
6.1.3 PyTorch 中的矩阵分解 136
6.2 基于神经网络的矩阵分解 141
6.2.1 非线性矩阵分解 141
6.2.2 附加信息的使用 142
6.3 本章小结 149
第7 章 应用程序中的嵌入 151
7.1 模型的保存和读取 152
7.2 使用Flask 的WebAPI 154
7.3 利用Docker 进行调试 162
7.3.1 nvidia-docker 的安装 162
7.3.2 PyTorch Docker 映像的创建 163
7.3.3 WebAPI 的部署 165
7.4 与使用ONNX 的其他框架的协作 168
7.4.1 什么是ONNX 168
7.4.2 PyTorch 模型的导出 169
7.4.3 Caffe2 中ONNX 模型的使用 170
7.4.4 将ONNX 模型另存为Caffe2 模型 172
7.5 本章小结 174
附录
附录A 训练过程的可视化 175
A.1 通过TensorBoard 进行的可视化 176
附录B Colaboratory 下PyTorch 开发环境的构建 181
B.1 Colaboratory 下PyTorch 开发环境的构建方法 182
B.1.1 什么是Colaboratory 182
B.1.2 机器的配置 182
B.1.3 PyTorch 环境的构建 182
B.1.4 PyTorch 的安装 189
B.1.5 数据的获取 190
猜您喜欢
