
0人評分過此書
PyTorch深度學習入門與應用:必備實作知識與工具一本就學會
【本書特色】
著重PyTorch的實作與應用,
輕鬆進入深度學習與人工智慧領域!
☛詳細說明深度學習的實作流程,以系統化步驟來處理各式的任務問題。
☛介紹深度學習原理,實作DNN、CNN、RNN、LSTM、RL各種演算法。
☛提供完整的程式範例,程式力求淺顯易懂,說明深入淺出。
☛注重數據集的探索處理,可強化數據分析能力。
【內容簡介】
深度學習是人工智慧的一個分支,相較於傳統的機器學習,深度學習在某些領域中更接近人類智慧,而逐漸走進我們的生活中,常見的應用如人臉辨識、語音識別、智慧駕駛等。
PyTorch是一個開源的Python深度學習函式庫,這個軟體主要由Facebook的人工智慧研究團隊開發,而由於PyTorch的語法簡單,且擁有完善的文件說明,目前已成為開發深度學習的主要框架之一。
本書內容由淺入深,不只對PyTorch進行系統化的介紹,也詳細說明了神經網路、CNN網路、RNN網路及強化學習等主題。本書還安排了18個實習,以PyTorch實作深度學習的各種演算法,經由實作的過程,可有效幫助讀者學習,進入深度學習的世界。
【目標讀者】
☛對深度學習有興趣的初學者,可讓讀者兼顧理論與實作。
☛適用於大專院校「深度學習」課程的學生,可作為教師授課之用。
☛已學過TensorFlow且想再學習PyTorch框架者,可對學習、研究及求職有很大的幫助。
☛專案設計者、AI工程師、數據分析工程師,也很適合閱讀本書。
著重PyTorch的實作與應用,
輕鬆進入深度學習與人工智慧領域!
☛詳細說明深度學習的實作流程,以系統化步驟來處理各式的任務問題。
☛介紹深度學習原理,實作DNN、CNN、RNN、LSTM、RL各種演算法。
☛提供完整的程式範例,程式力求淺顯易懂,說明深入淺出。
☛注重數據集的探索處理,可強化數據分析能力。
【內容簡介】
深度學習是人工智慧的一個分支,相較於傳統的機器學習,深度學習在某些領域中更接近人類智慧,而逐漸走進我們的生活中,常見的應用如人臉辨識、語音識別、智慧駕駛等。
PyTorch是一個開源的Python深度學習函式庫,這個軟體主要由Facebook的人工智慧研究團隊開發,而由於PyTorch的語法簡單,且擁有完善的文件說明,目前已成為開發深度學習的主要框架之一。
本書內容由淺入深,不只對PyTorch進行系統化的介紹,也詳細說明了神經網路、CNN網路、RNN網路及強化學習等主題。本書還安排了18個實習,以PyTorch實作深度學習的各種演算法,經由實作的過程,可有效幫助讀者學習,進入深度學習的世界。
【目標讀者】
☛對深度學習有興趣的初學者,可讓讀者兼顧理論與實作。
☛適用於大專院校「深度學習」課程的學生,可作為教師授課之用。
☛已學過TensorFlow且想再學習PyTorch框架者,可對學習、研究及求職有很大的幫助。
☛專案設計者、AI工程師、數據分析工程師,也很適合閱讀本書。
-
CHAPTER 01 PyTorch簡介與安裝
-
1.1 本章提要
-
1.2 PyTorch簡介
-
1.3 建置PyTorch開發環境
-
1.4 安裝CPU版本的PyTorch
-
1.5 安裝GPU版本的PyTorch
-
1.6 Jupyter Notebook基本操作
-
1.7 測試PyTorch是否安裝成功
-
-
CHAPTER 02 PyTorch張量
-
2.1 本章提要
-
2.2 建立張量
-
2.3 建立預設值張量
-
2.4 張量與NumPy
-
2.5 CPU和GPU中的張量
-
2.6 張量的索引及切片
-
2.7 張量的變換
-
2.8 張量拼接及拆分
-
2.9 比較運算
-
2.10 實習(1):張量基本操作
-
-
CHAPTER 03 自動微分與線性迴歸
-
3.1 本章提要
-
3.2 PyTorch自動微分
-
3.3 線性迴歸
-
3.4 梯度下降法解多元迴歸問題
-
3.5 張量算術運算
-
3.6 實習(2):Autograd解多元迴歸問題
-
-
CHAPTER 04 建構神經網路
-
4.1 本章提要
-
4.2 感知器
-
4.3 多層神經網路
-
4.4 激活函數
-
4.5 損失函數
-
4.6 倒傳遞演算法
-
4.7 優化器
-
4.8 torch.nn模組
-
4.9 torch.optim模組
-
4.10 訓練神經網路程式架構
-
4.11 實習(3):單層神經網路解多元迴歸問題
-
-
CHAPTER 05 數據探索與處理
-
5.1 本章提要
-
5.2 數據分析
-
5.3 探索數據
-
5.4 處理異常值
-
5.5 處理缺失值
-
5.6 數據縮放
-
5.7 拆分數據集
-
5.8 實習(4):預測歌曲發行年份
-
-
CHAPTER 06 自定義神經網路
-
6.1 本章提要
-
6.2 自定義網路層
-
6.3 nn.functional模組
-
6.4 深度學習實現流程
-
6.5 Dataset與DataLoader
-
6.6 儲存與載入模型
-
6.7 實習(5):信用卡違約二元分類
-
6.8 自定義Dataset
-
6.9 實習(6):鳶尾花多元分類
-
-
CHAPTER 07 卷積神經網路
-
7.1 本章提要
-
7.2 CNN基本結構
-
7.3 卷積層
-
7.4 池化層
-
7.5 全連接層
-
7.6 加入Dropout層及BatchNorm層
-
7.7 實習(7):MNIST手寫數字辨識
-
-
CHAPTER 08 遷移學習
-
8.1 本章提要
-
8.2 TorchVision函式庫
-
8.3 實習(8):使用ResNet18模型進行圖片分類
-
8.4 調整學習率
-
8.5 ImageFolder類別
-
8.6 實習(9):微調ResNet18模型進行圖片分類
-
-
CHAPTER 09 建構ResNet神經網路
-
9.1 本章提要
-
9.2 CIFAR-10數據準備與探索
-
9.3 實習(10):CIFAR-10 CNN圖片分類
-
9.4 ResNet殘差網路
-
9.5 ResNet 18模型架構
-
9.6 PyTorch實現ResNet網路
-
9.7 實習(11):ResNet10圖形分類
-
-
CHAPTER 10 循環神經網路
-
10.1 本章提要
-
10.2 RNN循環神經網路
-
10.3 隨時間倒傳遞演算法
-
10.4 雙向RNN
-
10.5 PyTorch實作RNN網路
-
10.6 實習(12):RNN處理序列數據
-
-
CHAPTER 11 長短期記憶網路
-
11.1 本章提要
-
11.2 LSTM工作原理
-
11.3 門控機制
-
11.4 GRU網路
-
11.5 PyTorch實作LSTM網路
-
11.6 文字轉數字的處理
-
11.7 詞嵌入
-
11.8 實習(13):LSTM網路處理IMDB評論分類
-
-
CHAPTER 12 強化學習
-
12.1 本章提要
-
12.2 強化學習簡介
-
12.3 Markov決策過程
-
12.4 獎勵與回報
-
12.5 Q學習演算法
-
12.6 Q學習演算法手算範例
-
12.7 實習(14):Q學習演算法解走至戶外問題
-
12.8 實習(15):Q學習解迷宮
-
-
CHAPTER 13 OpenAI Gym
-
13.1 本章提要
-
13.2 OpenAI Gym基本操作
-
13.3 FrozenLake遊戲
-
13.4 Epsilon-貪婪策略
-
13.5 實習(16):Q學習演算法解Frozen Lake
-
13.6 Mountain Car遊戲
-
13.7 將連續值轉換成離散值
-
13.8 實習(17):Q學習演算法解Mountain Car
-
-
CHAPTER 14 深度Q網路
-
14.1 本章提要
-
14.2 DQN網路
-
14.3 DQN工作原理
-
14.4 DQN演算法
-
14.5 CartPole-v1遊戲
-
14.6 CartPole的深度Q學習
-
14.7 建構回放緩衝區
-
14.8 建構主要Q網路及目標Q網路
-
14.9 實習(18):DQN解CartPole問題
-
- 出版地 : 臺灣
- 語言 : 繁體中文
評分與評論
請登入後再留言與評分