Python深度学习 : 基于PyTorch = Deep learning with Python and PyTorch
吴茂贵; 郁明敏; 杨本法; 李涛; 张粤磊本书是多位人工智能技术专家和大数据技术专家多年工作经验的结晶,从工具使用、技术原理、算法设计、案例实现等多个维度对深度学习进行了系统的讲解。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。
本书共16章,分为三部分:
第一部分(第1~4章) PyTorch基础
首先讲解了机器学习和数据科学中必然会用到的工具Numpy的使用,然后从多个角度讲解了Pytorch的必备基础知识,最后详细讲解了Pytorch的神经网络工具箱和数据处理工具箱。
第二部分(第5~8章) 深度学习基础
这部分从技术原理、算法设计、实...
这是一本基于最新的Python和PyTorch版本的深度学习著作,旨在帮助读者低门槛进入深度学习领域,轻松速掌握深度学习的理论知识和实践方法,快速实现从入门到进阶的转变。
本书是多位人工智能技术专家和大数据技术专家多年工作经验的结晶,从工具使用、技术原理、算法设计、案例实现等多个维度对深度学习进行了系统的讲解。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。
本书共16章,分为三部分:
第一部分(第1~4章) PyTorch基础
首先讲解了机器学习和数据科学中必然会用到的工具Numpy的使用,然后从多个角度讲解了Pytorch的必备基础知识,最后详细讲解了Pytorch的神经网络工具箱和数据处理工具箱。
第二部分(第5~8章) 深度学习基础
这部分从技术原理、算法设计、实践技巧等维度讲解了机器学习和深度学习的经典理理论、算法以及提升深度学习模型性能的多种技巧,涵盖视觉处理、NLP和生成式深度学习等主题。
第三部分(第9~16章) 深度学习实践
这部分从工程实践的角度讲解了深度学习的工程方法和在一些热门领域的实践方案,具体包括人脸识别、图像修复、图像增强、风格迁移、中英文互译、生成式对抗网络、对抗攻击、强化学习、深度强化学习等内容。
calibre 3.44.0 [https://calibre-ebook.com]
第一部分 PyTorch基础 15
第1章 Numpy基础 16
1.1 生成Numpy数组 17
1.1.1 从已有数据中创建数组 19
1.1.2 利用random模块生成数组 20
1.1.3 创建特定形状的多维数组 22
1.1.4 利用arange、linspace函数生成数组 24
1.2 获取元素 25
1.3 Numpy的算术运算 27
1.3.1 对应元素相乘 28
1.3.2 点积运算 30
1.4 数组变形 31
1.4.1 更改数组的形状 32
1.4.2 合并数组 35
1.5 批量处理 37
1.6 通用函数 38
1.7 广播机制 40
1.8 小结 42
第2章 PyTorch基础 43
2.1 为何选择PyTorch? 44
2.2 安装配置 45
2.2.1 安装CPU版PyTorch 46
2.2.2 安装GPU版PyTorch 48
2.3 Jupyter Notebook环境配置 52
2.4 Numpy与Tensor 54
2.4.1 Tensor概述 55
2.4.2 创建Tensor 56
2.4.3 修改Tensor形状 58
2.4.4 索引操作 60
2.4.5 广播机制 61
2.4.6 逐元素操作 62
2.4.7 归并操作 63
2.4.8 比较操作 64
2.4.9 矩阵操作 65
2.4.10 PyTorch与Numpy比较 66
2.5 Tensor与Autograd 67
2.5.1 自动求导要点 68
2.5.2 计算图 69
2.5.3 标量反向传播 72
2.5.4 非标量反向传播 73
2.6 使用Numpy实现机器学习 76
2.7 使用Tensor及Antograd实现机器学习 80
2.8 使用TensorFlow架构 83
2.9 小结 86
第3章 PyTorch神经网络工具箱 87
3.1 神经网络核心组件 88
3.2 实现神经网络实例 90
3.2.1 背景说明 91
3.2.2 准备数据 92
3.2.3 可视化源数据 93
3.2.4 构建模型 94
3.2.5 训练模型 95
3.3 如何构建神经网络? 97
3.3.1 构建网络层 98
3.3.2 前向传播 99
3.3.3 反向传播 100
3.3.4 训练模型 101
3.4 神经网络工具箱nn 102
3.4.1 nn.Module 103
3.4.2 nn.functional 104
3.5 优化器 105
3.6 动态修改学习率参数 107
3.7 优化器比较 108
3.8 小结 110
第4章 PyTorch数据处理工具箱 111
4.1 数据处理工具箱概述 112
4.2 utils.data简介 114
4.3 torchvision简介 117
4.3.1 transforms 118
4.3.2 ImageFolder 119
4.4 可视化工具 121
4.4.1 tensorboardX简介 122
4.4.2 用tensorboardX可视化神经网络 124
4.4.3 用tensorboardX可视化损失值 126
4.4.4 用tensorboardX可视化特征图 128
4.5 本章小结 131
第二部分 深度学习基础 132
第5章 机器学习基础 133
5.1 机器学习的基本任务 134
5.1.1 监督学习 135
5.1.2 无监督学习 136
5.1.3 半监督学习 137
5.1.4 强化学习 138
5.2 机器学习一般流程 139
5.2.1 明确目标 140
5.2.2 收集数据 141
5.2.3 数据探索与预处理 142
5.2.4 选择模型及损失函数 143
5.2.5 评估及优化模型 144
5.3 过拟合与欠拟合 145
5.3.1 权重正则化 146
5.3.2 Dropout正则化 148
5.3.3 批量正则化 152
5.3.4 权重初始化 155
5.4 选择合适激活函数 156
5.5 选择合适的损失函数 158
5.6 选择合适优化器 161
5.6.1 传统梯度优化的不足 162
5.6.2 动量算法 164
5.6.3 AdaGrad算法 167
5.6.4 RMSProp算法 169
5.6.5 Adam算法 170
5.7 GPU加速 173
5.7.1 单GPU加速 174
5.7.2 多GPU加速 175
5.7.3 使用GPU注意事项 179
5.8 本章小结 180
第6章 视觉处理基础 181
6.1 卷积神经网络简介 182
6.2 卷积层 184
6.2.1 卷积核 186
6.2.2 步幅 188
6.2.3 填充 190
6.2.4 多通道上的卷积 192
6.2.5 激活函数 194
6.2.6 卷积函数 195
6.2.7 转置卷积 197
6.3 池化层 199
6.3.1 局部池化 200
6.3.2 全局池化 202
6.4 现代经典网络 204
6.4.1 LeNet-5模型 205
6.4.2 AlexNet模型 206
6.4.3 VGG模型 207
6.4.4 GoogleNet模型 209
6.4.5 ResNet模型 211
6.4.6 胶囊网络简介 213
6.5 PyTorch实现CIFAR-10多分类 215
6.5.1 数据集说明 216
6.5.2 加载数据 217
6.5.3 构建网络 219
6.5.4 训练模型 221
6.5.5 测试模型 222
6.5.6 采用全局平均池化 224
6.5.7 像Keras一样显示各层参数 225
6.6 模型集成提升性能 227
6.6.1 使用模型 228
6.6.2 集成方法 229
6.6.3 集成效果 230
6.7 使用现代经典模型提升性能 231
6.8 本章小结 232
第7章 自然语言处理基础 233
7.1 循环神经网络基本结构 234
7.2 前向传播与随时间反向传播 237
7.3 循环神经网络变种 241
7.3.1 LSTM 242
7.3.2 GRU 243
7.3.3 Bi-RNN 244
7.4 循环神经网络的PyTorch实现 246
7.4.1 RNN实现 247
7.4.2 LSTM实现 250
7.4.3 GRU实现 252
7.5 文本数据处理 253
7.6 词嵌入 255
7.6.1 Word2Vec原理 257
7.6.2 CBOW模型 258
7.6.3 Skip-Gram模型 259
7.7 PyTorch实现词性判别 261
7.7.1 词性判别主要步骤 262
7.7.2 数据预处理 263
7.7.3 构建网络 264
7.7.4 训练网络 265
7.7.5 测试模型 267
7.8 用LSTM预测股票行情 268
7.8.1 导入数据 269
7.8.2 数据概览 270
7.8.3 预处理数据 272
7.8.4 定义模型 273
7.8.5 训练模型 274
7.8.6 测试模型 276
7.9 循环神经网络应用场景 277
7.10 小结 278
第8章 生成式深度学习 279
8.1 用变分自编码器生成图像 280
8.1.1 自编码器 281
8.1.2 变分自编码器 282
8.1.3 用变分自编码器生成图像 284
8.2 GAN简介 288
8.2.1 GAN架构 289
8.2.2 GAN的损失函数 291
8.3 用GAN生成图像 292
8.3.1 判别器 293
8.3.2 生成器 294
8.3.3 训练模型 295
8.3.4 可视化结果 296
8.4 VAE与GAN的优缺点 298
8.5 ConditionGAN 300
8.5.1 CGAN的架构 301
8.5.2 CGAN生成器 302
8.5.3 CGAN判别器 303
8.5.4 CGAN损失函数 304
8.5.5 CGAN可视化 305
8.5.6 查看指定标签的数据 306
8.5.7 可视化损失值 307
8.6 DCGAN 308
8.7 提升GAN训练效果的一些技巧 310
8.8 小结 311
第三部分 深度学习实践 312
第9章 人脸检测与识别 313
9.1 人脸识别一般流程 314
9.2 人脸检测 315
9.2.1 目标检测 316
9.2.2 人脸定位 318
9.2.3 人脸对齐 319
9.2.4 MTCNN算法 320
9.3 特征提取 323
9.4 人脸识别 329
9.4.1 人脸识别主要原理 329
9.4.2 人脸识别发展 330
9.5 PyTorch实现人脸检测与识别 332
9.5.1 验证检测代码 333
9.5.2 检测图像 335
9.5.3 检测后进行预处理 336
9.5.4 查看经检测后的图像 337
9.5.5 人脸识别 339
9.6 小结 340
第10章 迁移学习实例 341
10.1 迁移学习简介 342
10.2 特征提取 344
10.2.1 PyTorch提供的预处理模块 345
10.2.2 特征提取实例 347
10.3 数据增强 350
10.3.1 按比例缩放 351
10.3.2 裁剪 353
10.3.3 翻转 354
10.3.4 改变颜色 355
10.3.5 组合多种增强方法 357
10.4 微调实例 359
10.4.1 数据预处理 360
10.4.2 加载预训练模型 361
10.4.3 修改分类器 362
10.4.4 选择损失函数及优化器 363
10.4.5 训练及验证模型 364
10.5 清除图像中的雾霾 365
10.6 小结 368
第11章 神经网络机器翻译实例 369
11.1 Encoder-Decoder模型原理 370
11.2 注意力框架 372
11.3 PyTorch实现注意力Decoder 379
11.3.1 构建Encoder 380
11.3.2 构建简单Decoder 381
11.3.3 构建注意力Decoder 383
11.4 用注意力机制实现中英文互译 385
11.4.1 导入需要的模块 386
11.4.2 数据预处理 387
11.4.3 构建模型 390
11.4.4 训练模型 394
11.4.5 随机采样,对模型进行测试 396
11.4.6 可视化注意力 397
11.5 小结 399
第12章 实战生成式模型 400
12.1 DeepDream模型 401
12.1.1 Deep Dream原理 402
12.1.2 DeepDream算法流程 403
12.1.3 用PyTorch实现Deep Dream 404
12.2 风格迁移 410
12.2.1 内容损失 411
12.2.2 风格损失 413
12.2.3 用PyTorch实现神经网络风格迁移 415
12.3 PyTorch实现图像修复 420
12.3.1 网络结构 421
12.3.2 损失函数 422
12.3.3 图像修复实例 423
12.4 PyTorch实现DiscoGAN 426
12.4.1 DiscoGAN架构 427
12.4.2 损失函数 430
12.4.3 DiscoGAN实现 432
12.4.4 用PyTorch实现从边框生成鞋子 434
12.5 小结 436
第13章 Caffe2模型迁移实例 437
13.1 Caffe2简介 438
13.2 Caffe如何升级到Caffe2 440
13.3 PyTorch如何迁移到Caffe2 441
13.4 小结 444
第14章 AI新方向:对抗攻击 445
14.1 对抗攻击简介 446
14.1.1 白盒攻击与黑盒攻击 447
14.1.2 无目标攻击与有目标攻击 448
14.2 常见对抗样本生成方式 449
14.2.1 快速梯度符号法 450
14.2.2 快速梯度算法 451
14.3 PyTorch实现对抗攻击 452
14.3.1 实现无目标攻击 453
14.3.2 实现有目标攻击 456
14.4 对抗攻击和防御措施 458
14.4.1 对抗攻击 458
14.4.2 常见防御方法分类 459
14.5 总结 460
第15章 强化学习 461
15.1 强化学习简介 462
15.2 Q-Learning原理 466
15.2.1 Q-Learning主要流程 467
15.2.2 Q函数 469
15.2.3 贪婪策略 470
15.3 用PyTorch实现Q-Learning 471
15.3.1 定义Q-Learing主函数 472
15.3.2 执行Q-Learing 473
15.4 SARSA算法 474
15.4.1 SARSA算法主要步骤 475
15.4.2 用PyTorch实现SARSA算法 476
15.5 小结 478
第16章 深度强化学习 479
16.1 DQN算法原理 480
16.1.1 Q-Learning方法的局限性 481
16.1.2 用DL处理RL需要解决的问题 482
16.1.3 用DQN解决方法 483
16.1.4 定义损失函数 484
16.1.5 DQN的经验回放机制 485
16.1.6 目标网络 486
16.1.7 网络模型 487
16.1.8 DQN算法 488
16.2 用PyTorch实现DQN算法 490
16.3 小结 493
附录A PyTorch0.4版本变更 494
附录B AI在各行业的最新应用 499
🐢 Descargas lentas
Las descargas gratuitas ilimitadas son accesibles a través de nuestra lista de espera, un sistema diseñado para dar a todos un acceso justo.
- PDF: Descargar Leer
🚀 Descargas rápidas
🚀 Descargas rápidas Conviértete en miembro para apoyar la preservación a largo plazo de libros, artículos y más. Para mostrar nuestra gratitud por tu apoyo obtienes descargas rápidas. ❤️
- PDF: Descargar Leer
-
Necesitará un lector de ebooks o PDF para abrir el archivo, dependiendo del formato del archivo.
Lectores de ebooks recomendados: ReadEra y Calibre -
Utilice herramientas en línea para convertir entre formatos.
Herramientas de conversión recomendadas: CloudConvert -
Puede enviar archivos PDF y EPUB a su Kindle o Kobo eReader.
Herramientas recomendadas: “Enviar a Kindle” de Amazon y “Enviar a Kobo/Kindle” de djazz
Python 深度学习 = Deep learning with Python
本书由Keras之父、现任Google人工智能研究员的弗朗索瓦•肖莱(François Chollet)执笔,详尽介绍了用Python和Keras进行深度学习的探索实践,涉及计算机视觉、自然语言处理、生成式模型等应用。书中包含30多个代码示例,步骤讲解详细透彻。由于本书立足于人工智能的可达性和大众化,读者无须具备机器学习相关背景知识即可展开阅读。在学习完本书后,读者将具备搭建自己的深度学习环境、建立图像识别模型、生成图像和文字等能力。
动手学深度学习 = Dive into deep learning
阿斯顿·张 (Aston Zhang), 李沐 (Mu Li), 扎卡里·c. 立顿 (Zachary C. Lipton), 亚历山大·j. 斯莫拉 (Alexander J. Smola)
本书旨在向读者交付有关深度学习的交互式学习体验。书中不仅阐述深度学习的算法原理,还演示它们的实现和运行。与传统图书不同,本书的每一节都是一个可以下载并运行的 Jupyter记事本,它将文字、公式、图像、代码和运行结果结合在了一起。此外,读者还可以访问并参与书中内容的讨论。全书的内容分为3个部分:第一部分介绍深度学习的背景,提供预备知识,并包括深度学习最基础的概念和技术;第二部分描述深度学习计算的重要组成部分,还解释近年来令深度学习在多个领域大获成功的卷积神经网络和循环神经网络;第三部分评价优化算法,检验影响深度学习计算性能的重要因素,并分别列举深度学习在计算机视觉和自然语言处理中的重要应用。本书同时覆盖深度学习的方法和实践,主要面向在校大学生、技术人员和研究人员。阅读本书需要读者了解基本的Python编程或附录中描述的线性代数、微分和概率基础。
Python 深度学习 = Deep learning with Python
【技术大咖推荐】 “很荣幸担任这本优秀图书的技术审校。这本书能帮助很多中级Python程序员掌握这门语言,我也从中学到了相当多的知识!”——Alex Martelli,Python软件基金会成员 “对于想要扩充知识的中级和高级Python程序员来说,这本书是充满了实用编程技巧的宝藏。”——Daniel Greenfeld和Audrey Roy Greenfeld,Two Scoops of Django作者 【本书特色】 本书由奋战在Python开发一线近20年的Luciano Ramalho执笔,Victor Stinner、Alex Martelli等Python大咖担纲技术审稿人,从语言设计层面剖析编程细节,兼顾Python 3和Python 2,告诉你Python中不亲自动手实践就无法理解的语言陷阱成因和解决之道,教你写出风格地道的Python代码。 ● Python数据模型:理解为什么特殊方法是对象行为一致的关键。 ● 数据结构:充分利用内置类型,理解Unicode文本和字节二象性。 ● 把函数视作对象:把Python函数视作一等对象,并了解这一点对流行的设计模式的影响。 ● 面向对象习惯用法:通过构建类学习引用、可变性、接口、运算符重载和多重继承。 ● 控制流程:学习使用上下文管理器、生成器、协程,以及通过concurrent.futures和asyncio包实现的并发。 ● 元编程:理解特性、描述符、类装饰器和元类的工作原理。 【主要内容】 本书致力于帮助Python开发人员挖掘这门语言及相关程序库的优秀特性,避免重复劳动,同时写出简洁、流畅、易读、易维护,并且具有地道Python风格的代码。本书尤其深入探讨了Python语言的高级用法,涵盖数据结构、Python风格的对象、并行与并发,以及元编程等不同的方面。 本书适合中高级Python软件开发人员阅读参考。 【译者简介】 安道 专注于现代计算机技术的自由翻译,译有《Flask Web 开发》《Python 网络编程攻略》《Ruby on Rails 教程》等书。 个人网站:http://about.ac/。 吴珂 现为Airbnb公司软件工程师,所在团队主要负责开发和维护各类可伸缩、高性能服务,并在Airbnb内推广面向服务的系统架构。在分布式系统、云存储服务和跨平台SDK开发,以及大规模数据处理等方面有多年经验。
深度学习框架PyTorch : 入门与实践
Ben shu cong duo wei shu zu Tensor kai shi,Xun xu jian jin di dai ling du zhe le jie PyTorch ge fang mian de ji chu zhi shi,Bing jie he ji chu zhi shi he qian yan yan jiu,Dai ling du zhe cong ling kai shi wan cheng ji ge jing dian you qu de shen du xue xi xiao mu,Bao kuo GAN sheng cheng dong man tou xiang,AI lü jing,AI xie shi deng
PyTorch生成对抗网络编程（畅销书《Python神经网络编程》作者最新力作！用PyTorch构建自己的生成对抗网络）
生成对抗网络（Generative Adversarial Network，GAN）是神经网络领域的新星，被誉为“机器学习领域近20 年来最酷的想法”。 本书以直白、简短的方式向读者介绍了生成对抗网络，并且教读者如何使用PyTorch按部就班地编写生成对抗网络。全书共3章和5个附录，分别介绍了PyTorch基础知识，用PyTorch开发神经网络，改良神经网络以提升效果，引入CUDA和GPU以加速GAN训练，以及生成高质量图像的卷积GAN、条件式GAN等话题。附录部分介绍了在很多机器学习相关教程中被忽略的主题，包括计算平衡GAN的理想损失值、概率分布和采样，以及卷积如何工作，还简单解释了为什么梯度下降不适用于对抗式机器学习。 本书适合想初步了解GAN以及其工作原理的读者,也适合想要学习如何构建GAN的机器学习从业人员。对于正在学习机器学习相关课程的学生，本书可以帮助读者快速入门，为后续的学习打好基础。 版权信息 6 版权 7 版权声明 8 内容提要 9 译者序 10 前言 12 资源与支持 20 第1章 PyTorch和神经网络 24 1.1 PyTorch入门 25 1.1.1 Google Colab 25 1.1.2 PyTorch张量 28 1.1.3 PyTorch的自动求导机制 30 1.1.4 计算图 35 1.1.5 学习要点 41 1.2 初试PyTorch神经网络 43 1.2.1 MNIST图像数据集 43 1.2.2 获取MNIST数据集 43 1.2.3 数据预览 45 1.2.4 简单的神经网络 49 1.2.5 可视化训练 56 1.2.6 MNIST数据集类 58 1.2.7 训练分类器 61 1.2.8 查询神经网络 64 1.2.9 简易分类器的性能 66 1.3 改良方法 68 1.3.1 损失函数 68 1.3.2 激活函数 70 1.3.3 改良方法 72 1.3.4 标准化 74 1.3.5 整合改良方法 76 1.3.6 学习要点 77 1.4 CUDA基础知识 79 1.4.1 numpy与Python的比较 79 1.4.2 NVIDIA CUDA 81 1.4.3 在Python中使用CUDA 83 1.4.4 学习要点 88 第2章 GAN初步 90 2.1 GAN的概念 91 2.1.1 生成图像 91 2.1.2 对抗训练 92 2.1.3 GAN的训练 96 2.1.4 训练GAN的挑战 97 2.1.5 学习要点 98 2.2 生成1010格式规律 100 2.2.1 真实数据源 101 2.2.2 构建鉴别器 101 2.2.3 测试鉴别器 104 2.2.4 构建生成器 107 2.2.5 检查生成器输出 111 2.2.6 训练GAN 111 2.2.7 学习要点 117 2.3 生成手写数字 119 2.3.1 数据类 120 2.3.2 MNIST鉴别器 120 2.3.3 测试鉴别器 121 2.3.4 MNIST生成器 123 2.3.5 检查生成器输出 125 2.3.6 训练GAN 125 2.3.7 模式崩溃 129 2.3.8 改良GAN的训练 130 2.3.9 种子实验 138 2.3.10 学习重点 143 2.4 生成人脸图像 145 2.4.1 彩色图像 145 2.4.2 CelebA图像数据集 146 2.4.3 分层数据格式 147 2.4.4 获取数据 148 2.4.5 查看数据 149 2.4.6 数据集类 152 2.4.7 鉴别器...
深度学习框架PyTorch:入门与实践
lgli/陈云 - 深度学习框架PyTorch：入门与实践 (2017, 电子工业出版社).epub
深度学习框架PyTorch : 入门与实践
Ben shu cong duo wei shu zu Tensor kai shi,Xun xu jian jin di dai ling du zhe le jie PyTorch ge fang mian de ji chu zhi shi,Bing jie he ji chu zhi shi he qian yan yan jiu,Dai ling du zhe cong ling kai shi wan cheng ji ge jing dian you qu de shen du xue xi xiao mu,Bao kuo GAN sheng cheng dong man tou xiang,AI lü jing,AI xie shi deng
pytorch 深度学习实战
[美]伊莱·史蒂文斯（elistevens），[意]卢卡·安蒂加（lucaa
本书介绍使用Python和PyTorch实现深度学习算法.全书共15章:深度学习和PyTorch库简介;预训练网络;从张量开始;使用张量表征真实数据;学习的机制;使用神经网络拟合数据;区分鸟和飞机:从图像学习;使用卷积进行泛化;使用PyTorch来检测癌症;将数据源组合成统一的数据集;训练分类模型以检测可疑肿瘤;通过指标和数据增强来提升训练;利用分割法寻找可疑结节;端到端的结节分析及下一步的方向;部署到生产环境等
Python 深度学习实战 : 75 个有关神经网络建模、强化学习与迁移学习的解决方案
英德 拉·丹·巴克,indra Den Bakker,程国建,周冠武
Solve different problems in modelling deep neural networks using Python, Tensorflow, and Keras with this practical guide About This Book Practical recipes on training different neural network models and tuning them for optimal performance Use Python frameworks like TensorFlow, Caffe, Keras, Theano for Natural Language Processing, Computer Vision, and more A hands-on guide covering the common as well as the not so common problems in deep learning using Python Who This Book Is For This book is intended for machine learning professionals who are looking to use deep learning algorithms to create real-world applications using Python. Thorough understanding of the machine learning concepts and Python libraries such as NumPy, SciPy and scikit-learn is expected. Additionally, basic knowledge in linear algebra and calculus is desired. What You Will Learn Implement different neural network models in Python Select the best Python framework for deep learning such as PyTorch, Tensorflow, MXNet and Keras Apply tips and tricks related to neural networks internals, to boost learning performances Consolidate machine learning principles and apply them in the deep learning field Reuse and adapt Python code snippets to everyday problems Evaluate the cost/benefits and performance implication of each discussed solution In Detail Deep Learning is revolutionizing a wide range of industries. For many applications, deep learning has proven to outperform humans by making faster and more accurate...
Deep Learning with PyTorch
Eli Stevens, Luca Antiga, And Thomas Viehmann & Eli Stevens & Luca Antiga & And Thomas Viehmann
Every other day we hear about new ways to put deep learning to good use: improved medical imaging, accurate credit card fraud detection, long range weather forecasting, and more. PyTorch puts these superpowers in your hands, providing a comfortable Python experience that gets you started quickly and then grows with you as you—and your deep learning skills—become more sophisticated. Deep Learning with PyTorch will make that journey engaging and fun. Summary Every other day we hear about new ways to put deep learning to good use: improved medical imaging, accurate credit card fraud detection, long range weather forecasting, and more. PyTorch puts these superpowers in your hands, providing a comfortable Python experience that gets you started quickly and then grows with you as you—and your deep learning skills—become more sophisticated. Deep Learning with PyTorch will make that journey engaging and fun. Foreword by Soumith Chintala, Cocreator of PyTorch. Purchase of the print book includes a free eBook in PDF, Kindle, and ePub formats from Manning Publications. About the technology Although many deep learning tools use Python, the PyTorch library is truly Pythonic. Instantly familiar to anyone who knows PyData tools like NumPy and scikit-learn, PyTorch simplifies deep learning without sacrificing advanced features. It’s excellent for building quick models, and it scales smoothly from laptop to enterprise. Because companies like Apple, Facebook, and JPMorgan Chase rely on...
深度学习入门 : 基于Python的理论与实现 = Deep learning from Scratch Shen du xue xi ru men : Ji yu Python de li lun yu shi xian = Deep learning from Scratch
本书的理念本书是一本讲解深度学习的书,将从最基础的内容开始讲起,逐一介绍理解深度学习所需的知识。书中尽可能用平实的语言来介绍深度学习的概念、特征、工作原理等内容。不过,本书并不是只介绍技术的概要,而是旨在让读者更深入地理解深度学习。这是本书的特色之一。那么,怎么才能更深入地理解深度学习呢?在笔者看来,最好的办法就是亲自实现。从零开始编写可实际运行的程序,一边看源代码,一边思考。笔者坚信,这种做法对正确理解深度学习(以及那些看上去很高级的技术)是很重要的。这里用了“从零开始”一词,表示我们将尽可能地不依赖外部的现成品(库、工具等)。也就是说,本书的目标是,尽量不使用内容不明的黑盒,而是从自己能理解的最基础的知识出发,一步一步地实现最先进的深度学习技术。并通过这一实现过程,使读者加深对深度学习的理解。如果把本书比作一本关于汽车的书,那么本书并不会教你怎么开车,其着眼点不是汽车的驾驶方法,而是要让读者理解汽车的原理。为了让读者理解汽车的结构,必须打开汽车的引擎盖,把零件一个一个地拿在手里观察,并尝试操作它们。之后,用尽可能简单的形式提取汽车的本质,并组装汽车模型。本书的目标是,通过制造汽车模型的过程,让读者感受到自己可以实际制造出汽车,并在这一过程中熟悉汽车相关的技术。为了实现深度学习,本书使用了Python这一编程语言。Python非常受欢迎,初学者也能轻松使用。Python 尤其适合用来制作样品(原型),使用Python 可以立刻尝试突然想到的东西,一边观察结果,一边进行各种各样的实验。本书将在讲解深度学习理论的同时,使用Python 实现程序,进行各种实验。本书面向的读者本书旨在让读者通过实际动手操作来深入理解深度学习。为了明确本书的读者对象,这里将本书涉及的内容列举如下。• 使用Python,尽可能少地使用外部库,从零开始实现深度学习的程序。• 为了让Python的初学者也能理解,介绍Python的使用方法。• 提供实际可运行的Python 源代码,同时提供可以让读者亲自实验的学习环境。• 从简单的机器学习问题开始,最终实现一个能高精度地识别图像的系统。• 以简明易懂的方式讲解深度学习和神经网络的理论。• 对于误差反向传播法、卷积运算等乍一看很复杂的技术,使读者能够在实现层面上理解。• 介绍一些学习深度学习时有用的实践技巧,如确定学习率的方法、权重的初始值等。• 介绍最近流行的Batch Normalization、Dropout、Adam等,并进行实现。• 讨论为什么深度学习表现优异、为什么加深层能提高识别精度、为什么隐藏层很重要等问题。• 介绍自动驾驶、图像生成、强化学习等深度学习的应用案例。本书不面向的读者明确本书不适合什么样的读者也很重要。为此,这里将本书不会涉及的内容列举如下。• 不介绍深度学习相关的最新研究进展。• 不介绍Caffe、TensorFlow、Chainer 等深度学习框架的使用方法。• 不介绍深度学习的详细理论,特别是神经网络相关的详细理论。• 不详细介绍用于提高识别精度的参数调优相关的内容。• 不会为了实现深度学习的高速化而进行GPU相关的实现。• 本书以图像识别为主题,不涉及自然语言处理或者语音识别的例子。综上,本书不涉及最新研究和理论细节。但是,读完本书之后,读者应该有能力进一步去阅读最新的论文或者神经网络相关的理论方面的技术书。
