深度學(xué)習(xí)原理與PyTorch實戰(zhàn)

定　價：￥79.00

作　者：	集智俱樂部著
出版社：	人民郵電出版社
叢編項：	圖靈原創(chuàng)
標　簽：	暫缺

購買這本書可以去

京東 (￥79.00)

ISBN：	9787115516053	出版時間：	2019-08-01	包裝：	平裝
開本：	16開	頁數(shù)：	331	字數(shù)：

內(nèi)容簡介

　　本書是一本系統(tǒng)介紹深度學(xué)習(xí)及開源框架PyTorch的入門書。全書注重實戰(zhàn)，每章圍繞一個有意思的實戰(zhàn)案例展開，不僅循序漸進地講解了PyTorch的基本使用、神經(jīng)網(wǎng)絡(luò)的搭建、卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)的實現(xiàn)，而且全面深入地介紹了計算機視覺、自然語言處理、遷移學(xué)習(xí)，以及對抗學(xué)習(xí)和深度強化學(xué)習(xí)等前沿技術(shù)。讀者通過閱讀本書，可以輕松入門深度學(xué)習(xí)，學(xué)會構(gòu)造一個圖像識別器，生成逼真的圖畫，讓機器理解單詞與文本，讓機器作曲，教會機器玩游戲，還可以實現(xiàn)一個簡單的機器翻譯系統(tǒng)。本書適用于人工智能行業(yè)的軟件工程師、對人工智能感興趣的學(xué)生，也非常適合作為深度學(xué)習(xí)培訓(xùn)教程。

作者簡介

　　集智俱樂部（Swarma Club），成立于2003年，是一個從事學(xué)術(shù)研究、享受科學(xué)樂趣的探索者團體。倡導(dǎo)以平等開放的態(tài)度、科學(xué)實證的精神，進行跨學(xué)科的研究與交流，力圖搭建一個中國的“沒有圍墻的研究所”。目前已出版著作有《科學(xué)的**：漫談人工智能》和《走近 2050：注意力、互聯(lián)網(wǎng)與人工智能》，譯作有《深度思考：人工智能的終點與人類創(chuàng)造力的起點》。

圖書目錄

目　　錄
第　1章深度學(xué)習(xí)簡介　1
1．1　深度學(xué)習(xí)與人工智能　1
1．2　深度學(xué)習(xí)的歷史淵源　2
1．2．1　從感知機到人工神經(jīng)網(wǎng)絡(luò)　3
1．2．2　深度學(xué)習(xí)時代　4
1．2．3　巨頭之間的角逐　5
1．3　深度學(xué)習(xí)的影響因素　6
1．3．1　大數(shù)據(jù)　6
1．3．2　深度網(wǎng)絡(luò)架構(gòu)　7
1．3．3　GPU　11
1．4　深度學(xué)習(xí)為什么如此成功　11
1．4．1　特征學(xué)習(xí)（representation learning）　11
1．4．2　遷移學(xué)習(xí)（transfer learning）　12
1．5　小結(jié)　13
參考文獻　14
第　2章 PyTorch簡介　15
2．1　PyTorch安裝　15
2．2　初識PyTorch　15
2．2．1　與Python的完美融合　16
2．2．2　張量計算　16
2．2．3　動態(tài)計算圖　20
2．3　PyTorch實例：預(yù)測房價　27
2．3．1　準備數(shù)據(jù)　27
2．3．2　模型設(shè)計　28
2．3．3　訓(xùn)練　29
2．3．4　預(yù)測　31
2．3．5　術(shù)語匯總　32
2．4　小結(jié)　33
第3章　單車預(yù)測器：你的第一個
神經(jīng)網(wǎng)絡(luò)　35
3．1　共享單車的煩惱　35
3．2　單車預(yù)測器1．0　37
3．2．1　神經(jīng)網(wǎng)絡(luò)簡介　37
3．2．2　人工神經(jīng)元　38
3．2．3　兩個隱含層神經(jīng)元　40
3．2．4　訓(xùn)練與運行　42
3．2．5　失敗的神經(jīng)預(yù)測器　43
3．2．6　過擬合　48
3．3　單車預(yù)測器2．0　49
3．3．1　數(shù)據(jù)的預(yù)處理過程　49
3．3．2　構(gòu)建神經(jīng)網(wǎng)絡(luò)　52
3．3．3　測試神經(jīng)網(wǎng)絡(luò)　55
3．4　剖析神經(jīng)網(wǎng)絡(luò)Neu　57
3．5　小結(jié)　61
3．6　Q&A　61
第4章　機器也懂感情——中文情緒
分類器　63
4．1　神經(jīng)網(wǎng)絡(luò)分類器　64
4．1．1　如何用神經(jīng)網(wǎng)絡(luò)做分類　64
4．1．2　分類問題的損失函數(shù)　66
4．2　詞袋模型分類器　67
4．2．1　詞袋模型簡介　68
4．2．2　搭建簡單文本分類器　69
4．3　程序?qū)崿F(xiàn)　70
4．3．1　數(shù)據(jù)獲取　70
4．3．2　數(shù)據(jù)處理　74
4．3．3　文本數(shù)據(jù)向量化　75
4．3．4　劃分數(shù)據(jù)集　76
4．3．5　建立神經(jīng)網(wǎng)絡(luò)　78
4．4　運行結(jié)果　80
4．5　剖析神經(jīng)網(wǎng)絡(luò)　81
4．6　小結(jié)　85
4．7　Q&A　85
第5章　手寫數(shù)字識別器——認識卷積
神經(jīng)網(wǎng)絡(luò)　87
5．1　什么是卷積神經(jīng)網(wǎng)絡(luò)　88
5．1．1　手寫數(shù)字識別任務(wù)的CNN
網(wǎng)絡(luò)及運算過程　88
5．1．2　卷積運算操作　90
5．1．3　池化操作　96
5．1．4　立體卷積核　97
5．1．5　超參數(shù)與參數(shù)　98
5．1．6　其他說明　99
5．2　手寫數(shù)字識別器　100
5．2．1　數(shù)據(jù)準備　100
5．2．2　構(gòu)建網(wǎng)絡(luò)　103
5．2．3　運行模型　105
5．2．4　測試模型　106
5．3　剖析卷積神經(jīng)網(wǎng)絡(luò)　107
5．3．1　第一層卷積核與特征圖　107
5．3．2　第二層卷積核與特征圖　109
5．3．3　卷積神經(jīng)網(wǎng)絡(luò)的健壯性試驗　110
5．4　小結(jié)　112
5．5　Q&A　112
5．6　擴展閱讀　112
第6章　手寫數(shù)字加法機——遷移學(xué)習(xí)　113
6．1　什么是遷移學(xué)習(xí)　114
6．1．1　遷移學(xué)習(xí)的由來　114
6．1．2　遷移學(xué)習(xí)的分類　115
6．1．3　遷移學(xué)習(xí)的意義　115
6．1．4　如何用神經(jīng)網(wǎng)絡(luò)實現(xiàn)遷移
學(xué)習(xí)　116
6．2　應(yīng)用案例：遷移學(xué)習(xí)如何抗擊貧困　118
6．2．1　背景介紹　118
6．2．2　方法探尋　119
6．2．3　遷移學(xué)習(xí)方法　120
6．3　螞蟻還是蜜蜂：遷移大型卷積神經(jīng)
網(wǎng)絡(luò)　121
6．3．1　任務(wù)描述與初步嘗試　121
6．3．2　ResNet與模型遷移　122
6．3．3　代碼實現(xiàn)　123
6．3．4　結(jié)果分析　127
6．3．5　更多的模型與數(shù)據(jù)　128
6．4　手寫數(shù)字加法機　128
6．4．1　網(wǎng)絡(luò)架構(gòu)　128
6．4．2　代碼實現(xiàn)　129
6．4．3　訓(xùn)練與測試　136
6．4．4　結(jié)果　138
6．4．5　大規(guī)模實驗　138
6．5　小結(jié)　143
6．6　實踐項目：遷移與效率　143
第7章　你自己的Prisma——圖像
風(fēng)格遷移　145
7．1　什么是風(fēng)格遷移　145
7．1．1　什么是風(fēng)格　145
7．1．2　風(fēng)格遷移的涵義　146
7．2　風(fēng)格遷移技術(shù)發(fā)展簡史　147
7．2．1　神經(jīng)網(wǎng)絡(luò)之前的風(fēng)格遷移　147
7．2．2　特定風(fēng)格的實現(xiàn)　148
7．3　神經(jīng)網(wǎng)絡(luò)風(fēng)格遷移　149
7．3．1　神經(jīng)網(wǎng)絡(luò)風(fēng)格遷移的優(yōu)勢　150
7．3．2　神經(jīng)網(wǎng)絡(luò)風(fēng)格遷移的基本
思想　150
7．3．3　卷積神經(jīng)網(wǎng)絡(luò)的選取　151
7．3．4　內(nèi)容損失　152
7．3．5　風(fēng)格損失　152
7．3．6　風(fēng)格損失原理分析　153
7．3．7　損失函數(shù)與優(yōu)化　156
7．4　神經(jīng)網(wǎng)絡(luò)風(fēng)格遷移實戰(zhàn)　157
7．4．1　準備工作　157
7．4．2　建立風(fēng)格遷移網(wǎng)絡(luò)　159
7．4．3　風(fēng)格遷移訓(xùn)練　162
7．5　小結(jié)　165
7．6　擴展閱讀　165
第8章　人工智能造假術(shù)——圖像生成
與對抗學(xué)習(xí)　166
8．1　反卷積與圖像生成　169
8．1．1　CNN回顧　169
8．1．2　反卷積操作　171
8．1．3　反池化過程　173
8．1．4　反卷積與分數(shù)步伐　174
8．1．5　輸出圖像尺寸公式　175
8．1．6　批正則化技術(shù)　176
8．2　圖像生成實驗1——最小均方誤差
模型　177
8．2．1　模型思路　177
8．2．2　代碼實現(xiàn)　178
8．2．3　運行結(jié)果　182
8．3　圖像生成實驗2——生成器-識別器
模型　184
8．3．1　生成器-識別器模型的實現(xiàn)　184
8．3．2　對抗樣本　187
8．4　圖像生成實驗3——生成對抗網(wǎng)絡(luò)
GAN　190
8．4．1　GAN的總體架構(gòu)　191
8．4．2　程序?qū)崿F(xiàn)　192
8．4．3　結(jié)果展示　195
8．5　小結(jié)　197
8．6　Q&A　197
8．7　擴展閱讀　198
第9章　詞匯的星空——神經(jīng)語言模型
與Word2Vec　199
9．1　詞向量技術(shù)介紹　199
9．1．1　初識詞向量　199
9．1．2　傳統(tǒng)編碼方式　200
9．2　NPLM：神經(jīng)概率語言模型　201
9．2．1　NPLM的基本思想　202
9．2．2　NPLM的運作過程詳解　202
9．2．3　讀取NPLM中的詞向量　205
9．2．4　NPLM的編碼實現(xiàn)　206
9．2．5　運行結(jié)果　209
9．2．6　NPLM的總結(jié)與局限　211
9．3　Word2Vec　211
9．3．1　CBOW模型和Skip-gram模型的結(jié)構(gòu)　211
9．3．2　層級軟最大　213
9．3．3　負采樣　213
9．3．4　總結(jié)及分析　214
9．4　Word2Vec的應(yīng)用　214
9．4．1　在自己的語料庫上訓(xùn)練Word2Vec詞向量　214
9．4．2　調(diào)用現(xiàn)成的詞向量　216
9．4．3　女人-男人＝皇后-國王　218
9．4．4　使用向量的空間位置進行詞對詞翻譯　220
9．4．5　Word2Vec小結(jié)　221
9．5　小結(jié)　221
9．5　Q&A　222
第　10章 LSTM作曲機——序列生成
模型　224
10．1　序列生成問題　224
10．2　RNN與LSTM　225
10．2．1　RNN　226
10．2．2　LSTM　231
10．3　簡單01序列的學(xué)習(xí)問題　235
10．3．1　RNN的序列學(xué)習(xí)　236
10．3．2　LSTM的序列學(xué)習(xí)　245
10．4　LSTM作曲機　248
10．4．1　MIDI文件　248
10．4．2　數(shù)據(jù)準備　249
10．4．3　模型結(jié)構(gòu)　249
10．4．4　代碼實現(xiàn)　250
10．5　小結(jié)　259
10．6　Q&A　259
10．7　擴展閱讀　259