PyTorch机器学习从入门到实战 - (EPUB全文下载)

文件大小：0.44 mb。
文件格式：epub 格式。
书籍内容：

PyTorch机器学习从入门到实战
第1章 深度学习介绍
1.1 人工智能、机器学习与深度学习
1.2 深度学习工具介绍
1.3 PyTorch介绍
1.4 你能从本书中学到什么
第2章 PyTorch安装和快速上手
2.1 PyTorch安装
2.1.1 Anaconda安装
2.1.2 PyTorch安装
2.2 Jupyter Notebook使用
2.3 NumPy基础知识
2.3.1 基本概念
2.3.2 创建数组
2.3.3 基本运算
2.3.4 索引、切片和迭代
2.3.5 数组赋值
2.3.6 更改数组的形状
2.3.7 组合、拆分数组
2.3.8 广播
2.4 PyTorch基础知识
2.4.1 Tensor简介
2.4.2 Variable简介
2.4.3 CUDA简介
2.4.4 模型的保存与加载
2.4.5 第一个PyTorch程序
第3章 神经网络
3.1 神经元与神经网络
3.2 激活函数
3.2.1 Sigmoid
3.2.2 Tanh
3.2.3 Hard Tanh
3.2.4 ReLU
3.2.5 ReLU的扩展
3.2.6 Softmax
3.2.7 LogSoftmax
3.3 前向算法
3.4 损失函数
3.4.1 损失函数的概念
3.4.2 回归问题
3.4.3 分类问题
3.4.4 PyTorch中常用的损失函数
3.5 反向传播算法
3.6 数据的准备
3.7 PyTorch实例：单层神经网络实现
第4章 深度神经网络及训练
4.1 深度神经网络
4.1.1 神经网络为何难以训练
4.1.2 改进策略
4.2 梯度下降
4.2.1 随机梯度下降
4.2.2 Mini-Batch梯度下降
4.3 优化器
4.3.1 SGD
4.3.2 Momentum
4.3.3 AdaGrad
4.3.4 RMSProp
4.3.5 Adam
4.3.6 选择正确的优化算法
4.3.7 优化器的使用实例
4.4 正则化
4.4.1 参数规范惩罚
4.4.2 Batch Normalization
4.4.3 Dropout
4.5 PyTorch实例：深度神经网络实现
第5章 卷积神经网络
5.1 计算机视觉
5.1.2 特征提取
5.1.3 数据集
5.2 卷积神经网络
5.2.1 卷积层
5.2.2 池化层
5.2.3 经典卷积神经网络
5.3 MNIST数据集上卷积神经网络的实现
第6章 嵌入与表征学习
6.1 PCA
6.1.1 PCA原理
6.1.2 PCA的PyTorch实现
6.2 自编码器
6.2.1 自编码器原理
6.2.2 PyTorch实例：自编码器实现
6.2.3 PyTorch实例：基于自编码器的图形去噪
6.3 词嵌入
6.3.2 PyTorch实例：基于词向量的语言模型实现
第7章 序列预测模型
7.1 序列数据处理
7.2 循环神经网络
7.3 LSTM和GRU
7.4 LSTM在自然语言处理中的应用
7.4.1 词性标注
7.4.2 情感分析
7.5 序列到序列网络
7.5.2 注意力机制
7.6 PyTorch实例：基于GRU和Attention的机器翻译
7.6.2 数据处理
7.6.3 模型定义
7.6.4 训练模块定义
7.6.5 训练和模型保存
7.6.6 评估过程
第8章 PyTorch项目实战
8.1 图像识别和迁移学习——猫狗大战
8.1.1 迁移学习介绍
8.1.2 计算机视觉工具包
8.1.3 猫狗大战的PyTorch实现
8.2 文本分类
8.2.1 文本分类的介绍
8.2.2 计算机文本工具包
8.2.3 基于CNN的文本分类的PyTorch实现
8.3 语音识别系统介绍
8.3.1 语音识别介绍
8.3.2 命令词识别的PyTorch实现
第1章　深度学习介绍
围棋号称人类最复杂的棋类运动，但近两年来，在AlphaGo的冲击下，已经溃不成军。继2016年AlphaGo以4:1击败韩国李世石，2017年AlphaGo Master以3:0零封柯洁后，最新的Alpha Zero在没有棋谱的情况下，进行3天的自我训练后，就击败了AlphaGo；经过40天训练后，击败了AlphaGo Master。在AlphaGo背后隐藏的知识就是近来发展如火如荼的深度学习。深度学习不仅在围棋领域大放异彩，在图像识别、语音识别、自然语言处理等领域也全面开花。人们对深度学习充满了渴望，向往到该领域学习和发展。几乎所有的计算机课程里面都会包含人工智能和深度学习。在各种媒体、学术和其他会议中，人工智能和深度学习也都是热门的话题。
开宗明义，本书第1章将简单扼要地介绍说明什么是人工智能及其历史的沿革，讲述人工智能研究的流派，以及最新发展起来的深度学习，阐明人工智能、机器学习和深度学习的联系和区别。接着介绍一个优秀的深度学习框架——PyTorch，阐述PyTorch这一年多来的发展历程及支持的厂商和研究机构。PyTorch的API封装合理，具有几乎原生的Python使用体验，支持动态网络的构建，支持扩展等。正是由于PyTorch的优越特性，本书也通过PyTorch框架来进行深度学习的学习。随后介绍主流深度学习工具TensorFlow、Theano、Keras、Caffe/Caffe2、MXNet和CNTK以及它们的优缺点。最后，介绍本书的结构，方便学习者快速有效地使用本书，无论是初学者还是经验丰富的研究人员或者从业者，都能够从本书学到所需的知识，进入人工智能这个充满魔力和激情的领域。
1.1　人工智能、机器学习与深度学习
维基百科词条指出，人工智能（Artificial Intelligence），也称为机器智能，是指由人制造出来的机器所表现的智能。通常人工智能是指通过普通计算机程序的手段实现的人类智能技术。广义上的人工智能，是让机器拥有完全的甚至超越人类的智能（General AI或者Strong AI）。计算机科学当中的研究更多聚焦在弱人工智能（N ............

以上为书籍内容预览，如需阅读全文内容请下载EPUB源文件，祝您阅读愉快。