- 动手学PyTorch建模与应用(从深度学习到大模型)
- - 作者：编者:王国平|责编:王金柱
  - 出版社：清华大学
  - ISBN：9787302666592
  - 出版日期：2024/08/01
  - 页数：362
- 售价：39.6

内容大纲
本书是一本全面介绍深度学习和PyTorch实战的入门指南。全书共11章，第1章主要介绍了深度学习的概念、应用场景及如何搭建开发环境。第2章详细介绍PyTorch数学基础，包括函数、微分、数理统计、矩阵等基础知识及案例。第3章则介绍了数据预处理及常用工具，包括NumPy、Matplotlib、数据清洗、特征工程以及深度学习解决问题的一般步骤等。第4章分别介绍了PyTorch的基本概念、深度神经网络以及数据建模。第5章重点介绍了卷积神经网络、循环神经网络等；第6章则涵盖了回归分析、聚类分析、主成分分析、模型评估与调优等内容。第7章至第10章分别介绍了PyTorch图像建模、文本建模、音频建模和模型可视化，第11章重点介绍了大语言模型的原理、主要大语言模型以及模型本地化部署、预训练与微调技术。本书精心设计了大量解决实际问题的动手案例和上机练习题，并对所有实现代码进行了详尽的注释和说明，同时提供数据集和配书资源文件，旨在帮助读者更好地使用本书。
本书适合对深度学习感兴趣的初学者、在校学生和从业者阅读，也很适合作为培训机构和高校相关专业的教学用书。
作者介绍
王国平，毕业于上海海洋大学，硕士，主要从事数据可视化、数据挖掘和大数据分析与研究等工作。精通Tableau、SPSS、SPSS Modeler、Power BI等软件，已出版《IBM SPSS Modeler数据与文本挖掘实战》《Microsoft Power BI数据可视化与数据分析》《Tableau数据可视化从入门到精通》《SPSS统计分析与行业应用实战》等图书。
目录
第1章  深度学习和PyTorch概述
  1.1  走进深度学习的世界
    1.1.1  深度学习的发展历史
    1.1.2  深度学习框架PyTorch
    1.1.3  深度学习的应用领域
  1.2  搭建开发环境
    1.2.1  安装Python 3.12
    1.2.2  安装代码开发工具Jupyter Lab
    1.2.3  安装PyTorch 2.2
  1.3  PyTorch的应用场景
  1.4  上机练习题
第2章  PyTorch数学基础
  2.1  PyTorch中的函数
    2.1.1  函数的基础知识
    2.1.2  PyTorch中的主要函数
  2.2  微分基础
    2.2.1  微分及其公式
    2.2.2  PyTorch自动微分
  2.3  数理统计基础
    2.3.1  数理统计及其指标
    2.3.2  PyTorch统计函数
  2.4  矩阵基础
    2.4.1  矩阵及其运算
    2.4.2  PyTorch矩阵运算
  2.5  动手练习：拟合余弦函数曲线
  2.6  上机练习题
第3章  数据预处理及常用工具
  3.1  NumPy
    3.1.1  安装和导入NumPy
    3.1.2  NumPy的数据结构ndarray
    3.1.3  NumPy的基本使用
  3.2  Matplotlib
    3.2.1  安装和导入Matplotlib
    3.2.2  Matplotlib的使用示例
  3.3  数据清洗
    3.3.1  数据清洗的作用
    3.3.2  用Pandas进行数据清洗
  3.4  特征工程
    3.4.1  特征工程概述
    3.4.2  使用Scikit-learn进行数据预处理
    3.4.3  使用Pandas实现特征工程
  3.5  深度学习解决问题的一般步骤
  3.6  动手练习：每日最高温度预测
  3.7  上机练习题
第4章  PyTorch基础知识
  4.1  张量及其创建
    4.1.1  张量及其数据类型
    4.1.2  使用数组直接创建张量
    4.1.3  使用概率分布创建张量
  4.2  激活函数

    4.2.1  激活函数及其必要性
    4.2.2  Sigmoid激活函数
    4.2.3  Tanh激活函数
    4.2.4  ReLU激活函数
    4.2.5  Leaky ReLU激活函数
    4.2.6  其他类型的激活函数
  4.3  损失函数
    4.3.1  损失函数及其选取
    4.3.2  L1范数损失函数
    4.3.3  均方误差损失函数
    4.3.4  交叉熵损失函数
    4.3.5  余弦相似度损失
    4.3.6  其他损失函数
  4.4  优化器
    4.4.1  梯度及梯度下降算法
    4.4.2  随机梯度下降算法
    4.4.3  标准动量优化算法
    4.4.4  AdaGrad算法
    4.4.5  RMSProp算法
    4.4.6  Adam算法
  4.5  动手练习：PyTorch优化器比较
  4.6  上机练习题
第5章  PyTorch深度神经网络
  5.1  神经网络概述
    5.1.1  神经元模型
    5.1.2  多层感知机
    5.1.3  前馈神经网络
  5.2  卷积神经网络
    5.2.1  卷积神经网络的历史
    5.2.2  卷积神经网络的结构
    5.2.3  卷积神经网络的类型
  5.3  循环神经网络
    5.3.1  简单的循环神经网络
    5.3.2  长短期记忆网络
    5.3.3  门控循环单元
  5.4  动手练习：股票成交量趋势预测
  5.5  上机练习题
第6章  PyTorch数据建模
  6.1  回归分析及案例
    6.1.1  回归分析简介
    6.1.2  回归分析建模
    6.1.3  动手练习：住房价格回归预测
  6.2  聚类分析及案例
    6.2.1  聚类分析简介
    6.2.2  聚类分析建模
    6.2.3  动手练习：植物花卉特征聚类
  6.3  主成分分析及案例
    6.3.1  主成分分析简介
    6.3.2  主成分分析建模
    6.3.3  动手练习：地区竞争力指标降维

  6.4  模型评估与调优
    6.4.1  模型评估方法
    6.4.2  模型调优方法
    6.4.3  动手练习：PyTorch实现交叉验证
  6.5  上机练习题
第7章  PyTorch图像建模
  7.1  图像建模概述
    7.1.1  图像分类技术
    7.1.2  图像识别技术
    7.1.3  图像分割技术
  7.2  动手练习：创建图像自动分类器
    7.2.1  加载数据集
    7.2.2  搭建网络模型
    7.2.3  训练网络模型
    7.2.4  应用网络模型
  7.3  动手练习：搭建图像自动识别模型
    7.3.1  加载数据集
    7.3.2  搭建与训练网络
    7.3.3  预测图像数据
    7.3.4  图像识别模型的判断
  7.4  动手练习：搭建图像自动分割模型
    7.4.1  加载数据集
    7.4.2  搭建网络模型
    7.4.3  训练网络模型
    7.4.4  应用网络模型
  7.5  上机练习题
第8章  PyTorch文本建模
  8.1  自然语言处理的几个模型
    8.1.1  Word2Vec模型
    8.1.2  Seq2Seq模型
    8.1.3  Attention模型
  8.2  动手练习：Word2Vec提取相似文本
    8.2.1  加载数据集
    8.2.2  搭建网络模型
    8.2.3  训练网络模型
    8.2.4  应用网络榄型
  8.3  动手练习：Scq2Seq实现机器翻译
    8.3.1  加载数据集
    8.3.2  搭建网络模型
    8.3.3  训练网络模型
    8.3.4  应用网络模型
  8.4  动手练习：Attention模型实现文本自动分类
    8.4.1  加载数据集
    8.4.2  搭建网络模型
    8.4.3  训练网络模型
    8.4.4  应用网络模型
  8.5  上机练习题
第9章  PyTorch音频建模
  9.1  音频处理技术及应用
    9.1.1  音频处理技术

    9.1.2  音视频摘要技术及其应用
    9.1.3  音频识别及应用
    9.1.4  音频监控及应用
    9.1.5  场景感知及应用
  9.2  梅尔频率倒谱系数音频特征
    9.2.1  梅尔频率倒谱系数简介及参数的提取过程
    9.2.2  音频预处理
    9.2.3  快速傅里叶变换
    9.2.4  能量谱处理
    9.2.5  离散余弦转换
  9.3  PyTorch音频建模技术
    9.3.1  加载音频数据源
    9.3.2  波形变换的类型
    9.3.3  绘制波形频谱图
    9.3.4  波形Mu-Law编码
    9.3.5  变换前后波形的比较
  9.4  动手练习：音频相似度分析
  9.5  上机练习题
第10章  PyTorch模型可视化
  10.1  Visdom
    10.1.1  Visdom简介
    10.1.2  Visdom可视化操作
    10.1.3  动手练习：识别手写数字
  10.2  TensorBoard
    10.2.1  TensorBoard简介
    10.2.2  TensorBoard基础操作
    10.2.3  动手练习：可视化模型参数
  10.3  Pytorchviz
    10.3.1  Pytorchviz简介
    10.3.2  动手练习：Pytorchviz建模可视化
  10.4  Netron
    10.4.1  Netron简介
    10.4.2  动手练习：Netron建模可视化
  10.5  上机练习题
第11章  从深度学习到大语言模型
  11.1  大语言模型的原理
    11.1.1  大语言模型简介
    11.1.2  Transformer架构
    11.1.3  注意力机制
  11.2  主要的大语言模型
    11.2.1  ChatGPT及其API调用
    11.2.2  文心一言及其插件开发
    11.2.3  ChatGLM及其本地部署
  11.3  模型预训练与微调
    11.3.1  大模型预训练
    11.3.2  大模型微调技术
  11.4  上机练习题
参考文献

内容大纲

作者介绍

目录

同类热销排行榜

推荐书目