濠电姷鏁告慨鐑藉极閸涘﹥鍙忛柣鎴f閺嬩線鏌熼梻瀵割槮缁惧墽绮换娑㈠箣閻戝棛鍔┑鐐村灦閻燂箓宕曢悢鍏肩厪濠电偛鐏濋崝姘舵煟鎼搭喖寮慨濠冩そ瀹曟鎳栭埞鍨沪闂備礁鎼幊蹇曞垝瀹€鍕仼闁绘垼妫勯拑鐔兼煏婢舵稓鐣遍柍褜鍓涢弫濠氬蓟閵娿儮鏀介柛鈩冧緱閳ь剚顨婇弻锛勨偓锝庡亞閵嗘帞绱掓潏銊ユ诞闁糕斁鍋撳銈嗗笒鐎氼剛澹曢崗鍏煎弿婵☆垰鐏濇禍褰掓煕閻愬灚鏆柡宀嬬秮閹晠鎮滃Ο绯曞亾閸愵喗鍋i柍褜鍓熼弫鍐焵椤掆偓瀹撳嫰姊洪崨濠勨槈閺嬵亜霉濠婂嫮鐭掗柡灞诲姂瀵潙螖閳ь剚绂嶆ィ鍐╁€垫繛鍫濈仢閺嬫稑顭胯闁帮綁鐛幋锕€顫呴柣姗嗗亝閺傗偓闂佽鍑界紞鍡樼鐠烘í缂氬┑鐘叉处閳锋垹绱撴担鍏夋(妞ゅ繐瀚烽崵鏇㈡偣閾忚纾柟鐑橆殔缁犳盯鏌eΔ鈧悧鍐箯濞差亝鈷掗柛灞炬皑婢ф稓绱掔€n偄娴鐐寸墵楠炲洭顢橀悩娈垮晭闁诲海鎳撴竟濠囧窗閺嶎厾宓侀柡宥庡幗閻撶喖鏌ㄥ┑鍡樺櫣婵¤尙绮妵鍕敃閿濆洨鐣奸梺鍦嚀鐎氫即骞栬ぐ鎺撳仭闁哄娉曢鍥⒒閸屾艾鈧娆㈠璺虹劦妞ゆ帒鍊告禒婊堟煠濞茶鐏¢柡鍛板煐鐎佃偐鈧稒岣块崢鐐繆閵堝繒鐣虫繛澶嬫礈閼洪亶宕稿Δ浣哄帾闂佹悶鍎崝灞炬叏瀹ュ棭娈介柣鎰綑濞搭喗顨ラ悙宸剶闁诡喗绮撳畷鍗烆潨閸℃﹫绱欓梻鍌氬€搁崐鎼佸磹妞嬪海鐭嗗〒姘e亾妤犵偞鐗犻、鏇氱秴闁搞儺鍓﹂弫宥夋煟閹邦厽缍戦柍褜鍓濋崺鏍崲濠靛顥堟繛鎴炶壘椤e搫顪冮妶鍐ㄥ姕鐎光偓閹间礁钃熸繛鎴旀噰閳ь剨绠撻獮瀣攽閸モ晙绨┑鐘殿暯閸撴繆銇愰崘顔藉亱闁规崘顕ч拑鐔兼煥閻斿搫孝缂佲偓閸愵喗鐓冮柛婵嗗閳ь剚鎮傚鍐参旈崨顔规嫼婵炴潙鍚嬮悷褏绮旈鈧湁婵犲﹤楠告晶鐗堜繆閸欏濮嶆鐐村笒铻栭柍褜鍓氶崕顐︽煟閻斿摜鐭婇梺甯到椤曪綁骞庨挊澶屽幐闂佸憡鍔︽禍鐐烘晬濠婂牊鐓涘璺猴功婢ф垿鏌涢弬璺ㄐч挊鐔兼煕椤愮姴鍔滈柣鎾寸☉闇夐柨婵嗙墱濞兼劗鈧娲栭惌鍌炲蓟閳╁啯濯撮悷娆忓绾炬娊姊烘潪鎵妽闁圭懓娲顐﹀箻缂佹ɑ娅㈤梺璺ㄥ櫐閹凤拷 [闂傚倸鍊搁崐鎼佸磹閹间礁纾圭€瑰嫭鍣磋ぐ鎺戠倞妞ゆ帊绀侀崜顓烆渻閵堝棗濮х紒鐘冲灴閻涱噣濮€閵堝棛鍘撻柡澶屽仦婢瑰棝宕濆鍡愪簻闁哄倸鐏濋顐ょ磼鏉堛劍宕岀€规洘甯掗~婵嬵敄閽樺澹曢梺鍛婄缚閸庢娊鎯屽▎鎾寸厱闁哄洢鍔岄悘鐘电磼閻欌偓閸ㄥ爼寮婚妸鈺傚亞闁稿本绋戦锟� | 闂傚倸鍊搁崐鎼佸磹閹间礁纾归柣鎴eГ閸ゅ嫰鏌ら崫銉︽毄濞寸姵姘ㄧ槐鎾诲磼濞嗘帒鍘$紓渚囧櫘閸ㄨ泛鐣峰┑鍠棃宕橀妸銉т喊闂備礁鎼崯顐︽偋婵犲洤纾瑰┑鐘崇閻撱垺淇婇娆掝劅婵″弶鎮傞弻锝嗘償椤旂厧绫嶅┑顔硷龚濞咃絿鍒掑▎鎾崇閹兼番鍨虹€氭娊姊绘担铏广€婇柡鍛洴瀹曨垶寮堕幋顓炴闂佸綊妫跨粈渚€宕橀埀顒€顪冮妶鍡樺暗闁哥姵鎹囧畷銏ゎ敂閸涱垳鐦堥梺姹囧灲濞佳勭濠婂牊鐓熼煫鍥ㄦ⒒缁犵偟鈧娲樼换鍌烇綖濠靛鍤嬮柣銏ゆ涧楠炴劙姊绘担鍛靛綊寮甸鍕┾偓鍐川椤旂虎娲搁梺璺ㄥ櫐閹凤拷]

    • PyTorch深度学习指南(计算机视觉全彩印刷)
      • 作者:(巴西)丹尼尔·沃格特·戈多伊|责编:张淑谦//丁伦|译者:赵春江
      • 出版社:机械工业
      • ISBN:9787111749721
      • 出版日期:2024/03/01
      • 页数:236
    • 售价:43.6
  • 内容大纲

        “PyTorch深度学习指南”丛书循序渐进地详细讲解了与深度学习相关的重要概念、算法和模型,并着重展示了PyTorch是如何实现这些算法和模型的。其共分三卷:编程基础、计算机视觉、序列与自然语言处理。
        本书为该套丛书的第二卷:计算机视觉。本书主要介绍了深度模型、激活函数和特征空间;Torchvision、数据集、模型和转换;卷积神经网络、丢弃和学习率调度器;迁移学习和微调流行的模型(ResNet、Inception等)等内容。
        本书适用于对深度学习感兴趣,并希望使用PyTorch实现深度学习的Python程序员阅读学习。
  • 作者介绍

  • 目录

    前言
    致谢
    关于作者
    译者序
    常见问题
      为什么选择PyTorch?
      为什么选择这套书?
      谁应该读这套书?
      我需要知道什么?
      如何阅读这套书?
      下一步是什么?
    设置指南
      官方资料库
      环境
        谷歌Colab
        Binder
        本地安装
      继续
    第4章   图像分类
      剧透
      Jupyter Notebook
        导入
      图像分类
        数据生成
        NCHW与NHWC
      Torchvision
        数据集
        模型
        转换
        图像上的转换
        张量上的转换
        组合转换
      数据准备
        数据集转换
        SubsetRandomSampler
        数据增强转换
        WeightedRandomSampler
        种子和更多(种子)
        小结
        作为特征的像素
      浅层模型
        符号
        模型配置
        模型训练
      深层模型
        模型配置
        模型训练
        给我看看数学
        给我看看代码
        作为像素的权重

      激活函数
        Sigmoid
        双曲正切(TanH)
        整流线性单元(ReLU)
        泄漏ReLU
        参数ReLU(PReLU)
      深度模型
        模型配置
        模型训练
        再给我看看数学
      归纳总结
      回顾
    奖励章  特征空间
      二维特征空间
      转换
      二维模型
      决策边界,激活方式
      更多的函数,更多的边界
      更多的层,更多的边界
      更多的维度,更多的边界
      回顾
    第5章  卷积
      剧透
      Jupyter Notebook
        导入
      卷积
        滤波器/内核
        卷积运算
        四处移动
        形状
        在PyTorch中进行卷积
        步幅
        填充
        真正的滤波器
      池化
      展平
      维度
      典型架构
        LeNet-5
      多类分类问题
        数据生成
        数据准备
        损失
        分类损失总结
        模型配置
        模型训练
      可视化滤波器和其他
        可视化滤波器
        钩子
        可视化特征图

        可视化分类器层
        准确率
        加载器应用
      归纳总结
      回顾
    第6章  石头、剪刀、布
      剧透
      Jupyter Notebook
        导入
      关于石头、剪刀、布
        石头、剪刀、布数据集
      数据准备
        ImageFolder
        标准化
        真实数据集
      三通道卷积
      更高级的模型
      丢弃
        二维丢弃
      模型配置
        优化器
        学习率
      模型训练
        准确率
        正则化效果
        可视化滤波器
      学习率
        寻找LR
        自适应学习率
        随机梯度下降(SGD)
        学习率调度器
        验证损失调度器
        自适应与循环
      归纳总结
      回顾
    第7章  迁移学习
      剧透
      Jupyter Notebook
        导入
      迁移学习
      ImageNet
      ImageNet大规模视觉识别挑战赛(ILSVRC)
        ILSVRC-2012
        ILSVRC-2014
        ILSVRC-2015
      对比各架构
      实践中的迁移学习
        预训练模型
        模型配置
        数据准备

        模型训练
        生成特征数据集
        顶层模型
      辅助分类器(侧头)
      1×1卷积
      Inception模块
      批量归一化
        游程(running)统计
        评估阶段
        动量
        BatchNorm2d
        其他归一化
        小结
      残差连接
        学习恒等
        捷径的力量
        残差块
      归纳总结
        微调
        特征提取
      回顾
    额外章  梯度消失和爆炸
      剧透
      Jupyter Notebook
        导入
      梯度消失和爆炸
        梯度消失
        球数据集和块模型
        权重、激活和梯度
        初始化方案
        批量归一化
        梯度爆炸
        数据生成和准备
        模型配置和训练
        梯度裁剪
        模型配置和训练
        用钩子裁剪
      回顾