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

出版日期
2022/09/30
閱讀格式
PDF
書籍分類
學科分類
ISBN
9786263332591

本館館藏

借閱規則
當前可使用人數 30
借閱天數 14
線上看 0
借閱中 0
選擇分享方式

推薦本館採購書籍

您可以將喜歡的電子書推薦給圖書館,圖書館會參考讀者意見進行採購

讀者資料
圖書館
* 姓名
* 身分
系所
* E-mail
※ 我們會寄送一份副本至您填寫的Email中
電話
※ 電話格式為 區碼+電話號碼(ex. 0229235151)/ 手機格式為 0900111111
* 請輸入驗證碼
【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。
  • 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

評分與評論

請登入後再留言與評分
幫助
您好,請問需要甚麼幫助呢?
使用指南

客服專線:0800-000-747

服務時間:週一至週五 AM 09:00~PM 06:00

loading