- PyTorch深度学习实战(构建训练和部署神经网络模型原书第2版)/人工智能开发与实战丛书
- - 作者：(印度)普拉迪帕塔·米什拉|责编:杨琼|译者:王文通//刘强
  - 出版社：机械工业
  - ISBN：9787111759195
  - 出版日期：2024/08/01
  - 页数：276
- 售价：43.6

内容大纲
本书提供使用PyTorch开发深度学习应用程序的基本原理和方法，旨在为读者介绍机器学习工程师和数据科学家在解决深度学习问题中所采用的主流现代算法与技术，紧跟深度学习领域的最新发展趋势，助力初学者熟练掌握PyTorch。本书的核心优势在于，采用易于理解的问题与解决方案的结构，全面而详尽地讲解了PyTorch的使用方法，并提供了大量相应的代码示例，以便将这些概念顺利应用于实际项目中。
本书适合对计算机视觉、自然语言处理等领城感兴趣的人士阅读。对于希望在深度学习任务中运用PyTorch的读者，本书将是一本实用的指南。
作者介绍
普拉迪帕塔·米什拉(Pradeepta Mishra)，数据科学家、预测模型专家、深度学习和机器学习实践者、计量经济学家，目前在印度班加罗尔的Ma Foi Analytics主导数据科学和机器学习实践。他持有零售行业中增强货架图设计的专利，并且在艾哈迈德巴德印度管理学院就读期间发表了相关的研究论文。他现在还是很多顶尖商科院校的客座教师，经常开展数据科学和机器学习的讲座。
目录
译者序
关于作者
关于技术审查员
致谢
前言
第1章  PyTorch入门，张量与张量运算
  什么是PyTorch
  PyTorch安装
  秘籍1-1  张量的使用
  小结
第2章  使用PyTorch中的概率分布
  秘籍2-1  采样张量
  秘籍2-2  可变张量
  秘籍2-3  统计学基础
  秘籍2-4  梯度计算
  秘籍2-5  张量运算之一
  秘籍2-6  张量运算之二
  秘籍2-7  统计分布
  小结
第3章  使用PyTorch中的卷积神经网络和循环神经网络
  秘籍3-1  设置损失函数
  秘籍3-2  估计损失函数的导数
  秘籍3-3  模型微调
  秘籍3-4  优化函数选择
  秘籍3-5  进一步优化函数
  秘籍3-6  实现卷积神经网络
  秘籍3-7  模型重载
  秘籍3-8  实现循环神经网络
  秘籍3-9  实现用于回归问题的循环神经网络
  秘籍3-10  使用PyTorch内置的循环神经网络函数
  秘籍3-11  使用自编码器（Autoencoder）
  秘籍3-12  使用自编码器实现结果微调
  秘籍3-13  约束模型过拟合
  秘籍3-14  可视化模型过拟合
  秘籍3-15  初始化权重中的丢弃率
  秘籍3-16  添加数学运算
  秘籍3-17  循环神经网络中的嵌入层
  小结
第4章  PyTorch中的神经网络简介
  秘籍4-1  激活函数的使用
  秘籍4-2  激活函数可视化
  秘籍4-3  基本的神经网络模型
  秘籍4-4  张量微分
  小结
第5章  PyTorch中的监督学习
  秘籍5-1  监督模型的数据准备
  秘籍5-2  前向和反向传播神经网络
  秘籍5-3  优化和梯度计算
  秘籍5-4  查看预测结果
  秘籍5-5  监督模型逻辑回归

  小结
第6章  使用PyTorch对深度学习模型进行微调
  秘籍6-1  构建顺序神经网络
  秘籍6-2  确定批量的大小
  秘籍6-3  确定学习率
  秘籍6-4  执行并行训练
  小结
第7章  使用PyTorch进行自然语言处理
  秘籍7-1  词嵌入
  秘籍7-2  使用PyTorch创建CBOW模型
  秘籍7-3  LSTM模型
  小结
第8章  分布式PyTorch建模、模型优化和部署
  秘籍8-1  分布式Torch架构
  秘籍8-2  Torch分布式组件
  秘籍8-3  设置分布式PyTorch
  秘籍8-4  加载数据到分布式PyTorch
  秘籍8-5  PyTorch中的模型量化
  秘籍8-6  量化观察器应用
  秘籍8-7  使用MNIST数据集应用量化技术
  小结
第9章  图像和音频的数据增强、特征工程和提取
  秘籍9-1  音频处理中的频谱图
  秘籍9-2  安装Torchaudio
  秘籍9-3  将音频文件加载到PyTorch中
  秘籍9-4  安装用于音频的Librosa库
  秘籍9-5  频谱图变换
  秘籍9-6  Griffin-Lim变换
  秘籍9-7  使用滤波器组进行梅尔尺度转换
  秘籍9-8  Librosa的梅尔尺度转换与Torchaudio版本对比
  秘籍9-9  使用Librosa和Torchaudio进行MFCC和LFCC
  秘籍9-10  图像数据增强
  小结
第10章  PyTorch模型可解释性和Skorch
  秘籍10-1  安装Captum库
  秘籍10-2  主要归因：深度学习模型的特征重要性
  秘籍10-3  深度学习模型中神经元的重要性
  秘籍10-4  安装Skorch库
  秘籍10-5  Skorch组件在神经网络分类器中的应用
  秘籍10-6  Skorch神经网络回归器
  秘籍10-7  Skorch模型的保存和加载
  秘籍10-8  使用Skorch创建神经网络模型流水线
  秘籍10-9  使用Skorch进行神经网络模型的轮次评分
  秘籍10-10  使用Skorch进行超参数的网格搜索
  小结

内容大纲

作者介绍

目录

同类热销排行榜

推荐书目