链接: https://pan.baidu.com/s/1nsaIr6XdHAsbXBsP3qTm9A?pwd=c4ti 提取码: c4ti
出版社： 北京大学出版社
ISBN：9787301334461
版次：1
商品编码：13522327
品牌：北京大学出版社
包装：平装
开本：16开
出版时间：2023-01-01
用纸：胶版纸
页数：292
￥4454.00
立即查看
￥60.00
立即查看
￥38.30
立即查看
￥69.00
立即查看
￥159.00
立即查看
￥608.00
立即查看
￥88.00
立即查看
￥128.00
立即查看
￥79.00
立即查看
￥77.20
立即查看
￥78.00
立即查看
￥128.00
立即查看
播放视频
产品特色
编辑推荐
通过经典项目入门 PyTorch，通过前沿项目提升 PyTorch，基于PyTorch玩转深度学习。
内容简介
PyTorch 是基于 Torch 库的开源机器学习库，它主要由 Meta（原 Facebook）的人工智能研究实验室开发，在自然语言处理和计算机视觉领域都具有广泛的应用。本书介绍了简单且经典的入门项目，方便快速上手，如 MNIST数字识别，读者在完成项目的过程中可以了解数据集、模型和训练等基础概念。本书还介绍了一些实用且经典的模型，如 R-CNN 模型，通过这个模型的学习，读者可以对目标检测任务有一个基本的认识，对于基本的网络结构原理有一定的了解。另外，本书对于当前比较热门的生成对抗网络和强化学习也有一定的介绍，方便读者拓宽视野，掌握前沿方向。
本书适合人工智能、机器学习、深度学习方面的人员阅读，也适合其他 IT 方面从业者，另外，还可以作为相关专业的教材。
作者简介
王飞，2019年翻译了PyTorch官方文档，读研期间研究方向为自然语言处理，主要是中文分词、文本分类和数据挖掘。目前在教育行业工作，探索人工智能技术在教育中的应用。
何健伟，曾任香港大学研究员，研究方向为自然语言处理，目前从事大规模推荐算法架构研究工作。
林宏彬，硕士期间研究方向为自然语言处理，现任阿里巴巴算法工程师，目前从事广告推荐领域的算法研究工作。
史周安，软件工程硕士，人工智能技术爱好者、实践者与探索者。目前从事弱监督学习、迁移学习与医学图像相关工作。
内页插图
目录
第1章 ?数字识别
1.1 MNIST数据集2
1.1.1 MNIST 数据集简介2
1.1.2 导入数据集3
1.2 构建模型4
1.2.1 定义神经网络4
1.2.2 前向传播6
1.2.3 计算损失7
1.2.4 反向传播与更新参数8
1.3 开始训练8
1.4 观察模型预测结果9
1.5 总结11
第2章 ?ImageNet图像识别模型与CIFAR-10
2.1 图像分类器13
2.1.1 CIFAR-10数据集简介13
2.1.2 加载数据集14
2.1.3 定义卷积神经网络15
2.1.4 定义损失函数和优化器16
2.1.5 训练网络16
2.1.6 使用测试集评估17
2.1.7 使用GPU加速19
2.2 ImageNet和图像识别模型20
2.2.1 ImageNet20
2.2.2 基于 ImageNet 的图像识别模型20
2.3 总结22
第3章 ?从零构建图像分类模型
3.1 预训练模型原理24
3.1.1 状态字典24
3.1.2 通过设备保存25
3.2 加载ImageNet预训练模型25
3.3 准备数据27
3.3.1 加载数据集28
3.3.2 使用matplotlib可视化数据29
3.4 开始训练29
3.5 使用torchvision微调模型31
3.6 观察模型预测结果31
3.7 固定模型的参数33
3.8 使用tensorbord可视化训练情况34
3.9 总结35
第4章 ?文本生成
4.1 RNN原理及其结构37
4.1.1 经典RNN结构37
4.1.2 N VS 1 式RNN结构38
4.1.3 1 VS N RNN结构39
4.1.4 N VS M RNN结构39
4.2 明确任务39
4.3 准备数据40
4.4 构建模型44
4.5 开始训练45
4.6 观察交互结果47
4.7 总结49
第5章 ?目标检测和实例分割
5.1 快速了解目标检测51
5.1.1 评估方法51
5.1.2 直观方法 51
5.2 R-CNN系列模型的原理53
5.2.1 R-CNN原理53
5.2.2 Fast R-CNN原理54
5.2.3 Faster R-CNN原理56
5.2.4 Mask R-CNN原理58
5.3 使用torchvison微调模型58
5.3.1 使用Pe