作者：[印度]普拉迪帕塔·米什拉（Pradee
页数：279
出版社：机械工业出版社
出版日期：2024
ISBN：9787111759195
高清校对版pdf（带目录）
前往页尾底部查看PDF电子书
内容简介
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、自然语言处理等领域感兴趣的人士阅读。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。
作者简介
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 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 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。
本书特色
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。
目录
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 1
什么是PyTorch 5
PyTorch 安装 5
秘籍1-1 张量的使用 7
小结 36
第2 章 使用PyTorch 中的概率分布 37
秘籍2-1 采样张量 38
秘籍2-2 可变张量 43
秘籍2-3 统计学基础 45
秘籍2-4 梯度计算 51
秘籍2-5 张量运算之一 54
秘籍 2-6 张量运算之二 55
秘籍2-7 统计分布 58
小结 62
第3 章 使用PyTorch 中的卷积神经网络和循环神经网络 63
秘籍 3-1 设置损失函数 63
秘籍3-2 估计损失函数的导数 67
秘籍3-3 模型微调 73
秘籍3-4 优化函数选择 75
秘籍3-5 进一步优化函数 80
秘籍3-6 实现卷积神经网络 84
秘籍3-7 模型重载 92
秘籍3-8 实现循环神经网络 96
秘籍3-9 实现用于回归问题的循环神经网络 102
秘籍3-10 使用PyTorch 内置的循环神经网络函数 104
秘籍3-11 使用自编码器(Autoencoder) 108
秘籍 3-12 使用自编码器实现结果微调 113
秘籍3-13 约束模型过拟合 116
秘籍3-14 可视化模型过拟合 119
秘籍3-15 初始化权重中的丢弃率 123
秘籍3-16 添加数学运算 125
秘籍3-17 循环神经网络中的嵌入层 128
小结 130
第4 章 PyTorch 中的神经网络简介 131
秘籍4-1 激活函数的使用 131
秘籍4-2 激活函数可视化 139
秘籍4-3 基本的神经网络模型 142
秘籍4-4 张量微分 146
小结 148
第5 章 PyTorch 中的监督学习 149
秘籍5-1 监督模型的数据准备 153
秘籍5-2 前向和反向传播神经网络 155
秘籍5-3 优化和梯度计算 158
秘籍5-4 查看预测结果 160
秘籍5-5 监督模型逻辑回归 164
小结 168
第6 章 使用PyTorch 对深度学习模型进行微调 169
秘籍6-1 构建顺序神经网络 170
秘籍6-2 确定批量的大小 172
秘籍6-3 确定学习率 175
秘籍6-4 执行并行训练 180
小结 182
第7 章 使用PyTorch 进行自然语言处理 183
秘籍7-1 词嵌入 185
秘籍7-2 使用PyTorch 创建CBOW 模型 190
秘籍7-3 LSTM 模型 194
小结 199
第8 章 分布式PyTorch 建模、模型优化和部署 200
秘籍8-1 分布式Torch 架构 200
秘籍8-2 Torch 分布式组件 202
秘籍8-3 设置分布式PyTorch 203
秘籍8-4 加载数据到分布式PyTorch 205
秘籍8-5 PyTorch 中的模型量化 208
秘籍8-6 量化观察器应用 211
秘籍8-7 使用MNIST 数据集应用量化技术 213
小结 225
第9 章 图像和音频的数据增强、特征工程和提取 226
秘籍9-1 音频处理中的频谱图 226
秘籍9-2 安装Torchaudio 229
秘籍9-3 将音频文件加载到PyTorch 中 231
秘籍9-4 安装用于音频的Librosa 库 232
秘籍9-5 频谱图变换 234
秘籍9-6 Griffin-Lim 变换 236
秘籍9-7 使用滤波器组进行梅尔尺度转换 237
秘籍9-8 Librosa 的梅尔尺度转换与Torchaudio 版本对比 240
秘籍9-9 使用Librosa 和Torchaudio 进行MFCC 和LFCC 243
秘籍9-10 图像数据增强 247
小结 250
第10 章 PyTorch 模型可解释性和Skorch 251
秘籍10-1 安装Captum 库 252
秘籍10-2 主要归因:深度学习模型的特征重要性 253
秘籍10-3 深度学习模型中神经元的重要性 259
秘籍10-4 安装Skorch 库 260
秘籍10-5 Skorch 组件在神经网络分类器中的应用 262
秘籍10-6 Skorch 神经网络回归器 265
秘籍10-7 Skorch 模型的保存和加载 269
秘籍10-8 使用Skorch 创建神经网络模型流水线 270
秘籍10-9 使用Skorch 进行神经网络模型的轮次评分 272
秘籍10-10 使用Skorch 进行超参数的网格搜索 274
小结 276
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 1
什么是PyTorch 5
PyTorch 安装 5
秘籍1-1 张量的使用 7
小结 36
第2 章 使用PyTorch 中的概率分布 37
秘籍2-1 采样张量 38
秘籍2-2 可变张量 43
秘籍2-3 统计学基础 45
秘籍2-4 梯度计算 51
秘籍2-5 张量运算之一 54
秘籍 2-6 张量运算之二 55
秘籍2-7 统计分布 58
小结 62
第3 章 使用PyTorch 中的卷积神经网络和循环神经网络 63
秘籍 3-1 设置损失函数 63
秘籍3-2 估计损失函数的导数 67
秘籍3-3 模型微调 73
秘籍3-4 优化函数选择 75
秘籍3-5 进一步优化函数 80
秘籍3-6 实现卷积神经网络 84
秘籍3-7 模型重载 92
秘籍3-8 实现循环神经网络 96
秘籍3-9 实现用于回归问题的循环神经网络 102
秘籍3-10 使用PyTorch 内置的循环神经网络函数 104
秘籍3-11 使用自编码器(Autoencoder) 108
秘籍 3-12 使用自编码器实现结果微调 113
秘籍3-13 约束模型过拟合 116
秘籍3-14 可视化模型过拟合 119
秘籍3-15 初始化权重中的丢弃率 123
秘籍3-16 添加数学运算 125
秘籍3-17 循环神经网络中的嵌入层 128
小结 130
第4 章 PyTorch 中的神经网络简介 131
秘籍4-1 激活函数的使用 131
秘籍4-2 激活函数可视化 139
秘籍4-3 基本的神经网络模型 142
秘籍4-4 张量微分 146
小结 148
第5 章 PyTorch 中的监督学习 149
秘籍5-1 监督模型的数据准备 153
秘籍5-2 前向和反向传播神经网络 155
秘籍5-3 优化和梯度计算 158
秘籍5-4 查看预测结果 160
秘籍5-5 监督模型逻辑回归 164
小结 168
第6 章 使用PyTorch 对深度学习模型进行微调 169
秘籍6-1 构建顺序神经网络 170
秘籍6-2 确定批量的大小 172
秘籍6-3 确定学习率 175
秘籍6-4 执行并行训练 180
小结 182
第7 章 使用PyTorch 进行自然语言处理 183
秘籍7-1 词嵌入 185
秘籍7-2 使用PyTorch 创建CBOW 模型 190
秘籍7-3 LSTM 模型 194
小结 199
第8 章 分布式PyTorch 建模、模型优化和部署 200
秘籍8-1 分布式Torch 架构 200
秘籍8-2 Torch 分布式组件 202
秘籍8-3 设置分布式PyTorch 203
秘籍8-4 加载数据到分布式PyTorch 205
秘籍8-5 PyTorch 中的模型量化 208
秘籍8-6 量化观察器应用 211
秘籍8-7 使用MNIST 数据集应用量化技术 213
小结 225
第9 章 图像和音频的数据增强、特征工程和提取 226
秘籍9-1 音频处理中的频谱图 226
秘籍9-2 安装Torchaudio 229
秘籍9-3 将音频文件加载到PyTorch 中 231
秘籍9-4 安装用于音频的Librosa 库 232
秘籍9-5 频谱图变换 234
秘籍9-6 Griffin-Lim 变换 236
秘籍9-7 使用滤波器组进行梅尔尺度转换 237
秘籍9-8 Librosa 的梅尔尺度转换与Torchaudio 版本对比 240
秘籍9-9 使用Librosa 和Torchaudio 进行MFCC 和LFCC 243
秘籍9-10 图像数据增强 247
小结 250
第10 章 PyTorch 模型可解释性和Skorch 251
秘籍10-1 安装Captum 库 252
秘籍10-2 主要归因:深度学习模型的特征重要性 253
秘籍10-3 深度学习模型中神经元的重要性 259
秘籍10-4 安装Skorch 库 260
秘籍10-5 Skorch 组件在神经网络分类器中的应用 262
秘籍10-6 Skorch 神经网络回归器 265
秘籍10-7 Skorch 模型的保存和加载 269
秘籍10-8 使用Skorch 创建神经网络模型流水线 270
秘籍10-9 使用Skorch 进行神经网络模型的轮次评分 272
秘籍10-10 使用Skorch 进行超参数的网格搜索 274
小结 276
PDF更新中
- THE END -
非特殊说明，本博所有文章均为博主原创。
如若转载，请注明出处：https://www.xiazainiu.com/Wd1qk_5_23542.html
