- PyTorch深度学习和图神经网络(卷2开发应用)
- - 作者：李金洪|责编:张涛
  - 出版社：人民邮电
  - ISBN：9787115560926
  - 出版日期：2021/12/01
  - 页数：318
- 售价：51.92

内容大纲
本书通过深度学习实例，从可解释性角度出发，阐述深度学习的原理，并将图神经网络与深度学习结合，介绍图神经网络的实现技术。本书分为6章，主要内容包括：图片分类模型、机器视觉的高级应用、自然语言处理的相关应用、神经网络的可解释性、识别未知分类的方法——零次学习、异构图神经网络。本书中的实例是在PyTorch框架上完成的，具有较高的实用价值。
本书适合人工智能从业者、程序员进阶学习，也适合作为大专院校相关专业师生的教学和学习用书，以及培训学校的教材。
作者介绍
李金洪，“大蛇智能”网站创始人、“代码医生”工作室主程序员。精通Python、C、C++、汇编、Java和Go等多种编程语言。擅长神经网络、算法、协议分析、逆向工程和移动互联网安全架构等技术。在深度学习领域，参与过某移动互联网后台的OCR项目、某娱乐节目机器人的语音识别和声纹识别项目，以及人脸识别、活体检测等多个项目。在“代码医生”工作室工作期间，完成过金融、安全、市政和医疗等多个领域的AI算法外包项目。
目录
第1章  图片分类模型
  1.1  深度神经网络起源
  1.2  Inception系列模型
    1.2.1  多分支结构
    1.2.2  全局均值池化
    1.2.3  Inception V1模型
    1.2.4  Inception V2模型
    1.2.5  Inception V3模型
    1.2.6  Inception V4模型
    1.2.7  Inception-ResNet V2模型
  1.3  ResNet模型
    1.3.1  残差连接的结构
    1.3.2  残差连接的原理
  1.4  DenseNet模型
    1.4.1  DenseNet模型的网络结构
    1.4.2  DenseNet模型的特点
    1.4.3  稠密块
  1.5  PNASNet模型
    1.5.1  组卷积
    1.5.2  深度可分离卷积
    1.5.3  空洞卷积
  1.6  EfficientNet模型
    1.6.1  MBConv卷积块
    1.6.2  DropConnect层
  1.7  实例：使用预训练模型识别图片内容
    1.7.1  了解torchvision库中的预训练模型
    1.7.2  代码实现：下载并加载预训练模型
    1.7.3  代码实现：加载标签并对输入数据进行预处理
    1.7.4  代码实现：使用模型进行预测
    1.7.5  代码实现：预测结果可视化
  1.8  实例：使用迁移学习识别多种鸟类
    1.8.1  什么是迁移学习
    1.8.2  样本介绍：鸟类数据集CUB-200
    1.8.3  代码实现：用torch.utils.data接口封装数据集
    1.8.4  代码实现：获取并改造ResNet模型
    1.8.5  代码实现：微调模型后一层
    1.8.6  代码实现：使用退化学习率对模型进行全局微调
    1.8.7  扩展实例：使用随机数据增强方法训练模型
    1.8.8  扩展：分类模型中常用的3种损失函数
  ……
第2章  机器视觉的高级应用
第3章  自然语言处理的相关应用
第4章  神经网络的可解释性
第5章  识别未知分类的方法——零次学习
第6章  异构图神经网络

内容大纲

作者介绍

目录

同类热销排行榜

推荐书目