描述
开 本: 16开纸 张: 胶版纸包 装: 平装-胶订是否套装: 否国际标准书号ISBN: 9787111744672
编辑推荐
本书遵循教指委相关指导文件和高等院校学生学习规律编写而成。践行四新理念，融入思政元素，注重理论与实践相结合。
内容简介
PyTorch是一个开源的Python机器学习库，具有灵活性强、上手速度快和易于扩展等特点。本书从PyTorch出发，通过穿插实践练习的方式介绍深度学习，使读者对相关知识的理解更加深刻。
本书共分为6章。第1章介绍了PyTorch的安装和基本操作；第2、3章介绍了深度学习的基础知识、简单的线性模型以及计算图知识；第4、5章在前文的基础上进一步扩展，介绍了各种神经网络模型；第6章介绍了PyTorch的高级特性。对于每个概念，本书均给出了一个或数个简明扼要的示例，以方便读者理解。
本书适合有一定数学基础、熟悉Python编程并对机器学习基础知识有所了解的学生或相关从业人员阅读和学习。
本书共分为6章。第1章介绍了PyTorch的安装和基本操作；第2、3章介绍了深度学习的基础知识、简单的线性模型以及计算图知识；第4、5章在前文的基础上进一步扩展，介绍了各种神经网络模型；第6章介绍了PyTorch的高级特性。对于每个概念，本书均给出了一个或数个简明扼要的示例，以方便读者理解。
本书适合有一定数学基础、熟悉Python编程并对机器学习基础知识有所了解的学生或相关从业人员阅读和学习。
目 录
译者序
前 言
第1章 PyTorch 简介 // 1
1.1 什么是PyTorch // 2
1.2 安装PyTorch // 3
1.2.1 Digital Ocean // 4
1.2.2 Amazon Web Services（AWS） // 5
1.3 PyTorch的基本操作 // 6
1.3.1 默认值初始化 // 6
1.3.2 张量和NumPy数组之间的转换 // 7
1.3.3 切片、索引和重塑 // 9
1.3.4 原地操作 // 10
1.4 加载数据 // 11
1.4.1 PyTorch数据集加载器 // 12
1.4.2 使用ImageFolder类构建数据结构 // 17
1.4.3 连接数据集 // 17
1.5 小结 // 18
第2章 深度学习基础知识 // 19
2.1 机器学习的方法 // 19
2.2 学习任务 // 20
2.2.1 无监督学习 // 20
2.2.2 监督学习 // 21
2.3 特征 // 23
处理文本和类别 // 23
2.4 模型 // 24
2.4.1 线性代数回顾 // 24
2.4.2 线性模型 // 27
2.5 人工神经网络 // 33
感知机 // 34
2.6 小结 // 36
第3章 计算图和线性模型 // 38
3.1 自动求导 // 38
计算图 // 40
3.2 线性模型 // 40
3.2.1 PyTorch中的线性回归 // 40
3.2.2 保存模型 // 43
3.2.3 逻辑回归 // 44
3.3 多分类实例 // 46
3.4 小结 // 50
第4章 卷积网络 // 51
4.1 超参数和多层级网络 // 51
4.2 基准模型 // 52
4.3 卷积网络 // 56
4.3.1 单个卷积层 // 56
4.3.2 多个卷积层 // 58
4.4 小结 // 63
第5章 其他神经网络架构 // 64
5.1 循环网络 // 64
5.1.1 循环人工神经元 // 64
5.1.2 循环网络的实现 // 65
5.2 长短期记忆网络 // 70
5.2.1 长短期记忆网络的实现 // 72
5.2.2 构建门循环单元的语言模型 // 73
5.3 小结 // 76
第6章 充分利用PyTorch // 77
6.1 多处理器和分布式环境 // 77
6.1.1 GPU的使用 // 77
6.1.2 分布式环境 // 79
6.2 优化技术 // 80
6.2.1 优化算法 // 80
6.2.2 学习率调度器 // 82
6.2.3 参数组 // 82
6.3 预训练模型 // 84
预训练模型的实现 // 85
6.4 小结 // 90
前 言
第1章 PyTorch 简介 // 1
1.1 什么是PyTorch // 2
1.2 安装PyTorch // 3
1.2.1 Digital Ocean // 4
1.2.2 Amazon Web Services（AWS） // 5
1.3 PyTorch的基本操作 // 6
1.3.1 默认值初始化 // 6
1.3.2 张量和NumPy数组之间的转换 // 7
1.3.3 切片、索引和重塑 // 9
1.3.4 原地操作 // 10
1.4 加载数据 // 11
1.4.1 PyTorch数据集加载器 // 12
1.4.2 使用ImageFolder类构建数据结构 // 17
1.4.3 连接数据集 // 17
1.5 小结 // 18
第2章 深度学习基础知识 // 19
2.1 机器学习的方法 // 19
2.2 学习任务 // 20
2.2.1 无监督学习 // 20
2.2.2 监督学习 // 21
2.3 特征 // 23
处理文本和类别 // 23
2.4 模型 // 24
2.4.1 线性代数回顾 // 24
2.4.2 线性模型 // 27
2.5 人工神经网络 // 33
感知机 // 34
2.6 小结 // 36
第3章 计算图和线性模型 // 38
3.1 自动求导 // 38
计算图 // 40
3.2 线性模型 // 40
3.2.1 PyTorch中的线性回归 // 40
3.2.2 保存模型 // 43
3.2.3 逻辑回归 // 44
3.3 多分类实例 // 46
3.4 小结 // 50
第4章 卷积网络 // 51
4.1 超参数和多层级网络 // 51
4.2 基准模型 // 52
4.3 卷积网络 // 56
4.3.1 单个卷积层 // 56
4.3.2 多个卷积层 // 58
4.4 小结 // 63
第5章 其他神经网络架构 // 64
5.1 循环网络 // 64
5.1.1 循环人工神经元 // 64
5.1.2 循环网络的实现 // 65
5.2 长短期记忆网络 // 70
5.2.1 长短期记忆网络的实现 // 72
5.2.2 构建门循环单元的语言模型 // 73
5.3 小结 // 76
第6章 充分利用PyTorch // 77
6.1 多处理器和分布式环境 // 77
6.1.1 GPU的使用 // 77
6.1.2 分布式环境 // 79
6.2 优化技术 // 80
6.2.1 优化算法 // 80
6.2.2 学习率调度器 // 82
6.2.3 参数组 // 82
6.3 预训练模型 // 84
预训练模型的实现 // 85
6.4 小结 // 90
前 言
PyTorch易于学习，并提供了诸多高级的功能，如支持多处理器以及分布式与并行计算等。它有一个预训练的模型库，为图像分类提供了预制好的解决方案，也为前沿深度学习提供了一个便捷的切入点。它与Python编程语言紧密结合，因此对于Python程序员而言，编码显得自然而直观。独特、动态地处理计算图的方式让PyTorch的使用既高效又灵活。
本书面向的读者
本书通过具体的实例让读者了解深度学习模型，它适用于任何一位想要通过直观、实用的介绍深入学习PyTorch的读者。本书非常适合这样一类人，他们熟悉Python，了解一些机器学习的基础知识，并且正在寻找一种有效的方法来提高技术水平，同时希望通过具体的实验了解深度学习模型。本书聚焦于PyTorch非常重要的特征，并给出了实例。阅读本书的前提是读者对Python的操作知识有一定了解，并熟悉相关的数学知识，包括线性代数和微分学。本书提供了足够的理论知识，让读者无须系统地掌握数学即可开始学习。在学习本书后，读者将拥有深度学习系统的实践性知识，并能应用PyTorch模型来解决自己所关心的问题。
本书涵盖的内容
第1章 PyTorch简介：引导读者启动和运行PyTorch，介绍了它在各种平台上的安装方法，并探讨了关键语法细节以及如何在PyTorch中导入和使用数据。
第2章 深度学习基础知识：这是一次关于深度学习基础原理的“旋风之旅”，涵盖了数学和优化理论、线性网络和神经网络。
第3章 计算图和线性模型：介绍了如何计算线性网络的误差梯度，以及如何利用它对图像进行分类。
第4章 卷积网络：介绍了卷积网络的理论以及如何将其用于图像分类。
第5章 其他神经网络架构：讨论了循环网络的理论知识，并展示了如何使用它们对序列数据进行预测；除此之外，还介绍了长短期记忆网络，并建立了一个语言模型来预测文本。
第6章 充分利用PyTorch：介绍了一些高级功能，如在多处理器和并行环境中使用PyTorch。读者将使用预制好的预训练模型为图像分类构建一个灵活的解决方案。
从本书得到的收获
本书不预设任何专业知识背景，读者只需要具备扎实的计算机通用技能即可。Python是一种相对容易学习（而且十分有用）的语言，所以即使读者仅有很少的经验甚至没有编程经验，也不必担心。
本书包含一些相对简单的数学和理论，一些读者在开始时可能会感到困难。深度学习模型是一种复杂的系统，即便是试图理解简单神经网络的行为，也是一项不平凡的工作。幸运的是，PyTorch作为一种围绕这些复杂系统的高级框架，在没有对理论基础深入理解的情况下，也可能取得非常好的结果。
PyTorch的安装非常容易，基本上只需要两个软件包：Python的Anaconda发行版和PyTorch本身。它可以在Windows 7和Windows 10、Mac OS 10.10或以上，以及大多数Linux版本上运行，也可以在台式机或服务器环境中运行。本书中的所有代码都是使用运行在Ubuntu 16上的PyTorch 1.0和Python 3进行测试的。
下载示例代码文件
在www.packt.com网站上，读者可以通过自己的账户下载本书的示例代码文件。如果在其他地方购买了这本书，则可以访问www.packt.com/support并注册，即可将文件直接发送给读者。
读者可以通过以下步骤下载代码文件：
1. 登录www.packt.com。
2. 选择SUPPORT选项卡。
3. 单击Code Downloads & Errata。
4. 在搜索框中输入图书的名称，并按照界面上的说明操作。
下载文件后，应确保使用以下最新版本解压缩或提取文件夹：
WinRAR/7-Zip for Windows。
Zipeg/iZip/UnRarX for Mac。
7-Zip/PeaZip for Linux。
本书的代码包也托管在GitHub上，网址为https：//github.com/PacktPublishing/Deep-Learning-with-PyTorch-Quick-Start-Guide。如果代码进行了更新，则将在现有的GitHub存储库中同时进行更新。
另外，还从大量的书籍和视频目录中获得了其他代码包，读者可在https：//github.com/PacktPublishing/上查看。
下载彩色图片
本书还提供了一个PDF文件，其中包含本书使用的屏幕截图、图表的彩色图像。读者可以访问以下网址进行下载：
https：//www.packtpub.com/sites/default/files/downloads/9781789534092_ColorImages.pdf
本书面向的读者
本书通过具体的实例让读者了解深度学习模型，它适用于任何一位想要通过直观、实用的介绍深入学习PyTorch的读者。本书非常适合这样一类人，他们熟悉Python，了解一些机器学习的基础知识，并且正在寻找一种有效的方法来提高技术水平，同时希望通过具体的实验了解深度学习模型。本书聚焦于PyTorch非常重要的特征，并给出了实例。阅读本书的前提是读者对Python的操作知识有一定了解，并熟悉相关的数学知识，包括线性代数和微分学。本书提供了足够的理论知识，让读者无须系统地掌握数学即可开始学习。在学习本书后，读者将拥有深度学习系统的实践性知识，并能应用PyTorch模型来解决自己所关心的问题。
本书涵盖的内容
第1章 PyTorch简介：引导读者启动和运行PyTorch，介绍了它在各种平台上的安装方法，并探讨了关键语法细节以及如何在PyTorch中导入和使用数据。
第2章 深度学习基础知识：这是一次关于深度学习基础原理的“旋风之旅”，涵盖了数学和优化理论、线性网络和神经网络。
第3章 计算图和线性模型：介绍了如何计算线性网络的误差梯度，以及如何利用它对图像进行分类。
第4章 卷积网络：介绍了卷积网络的理论以及如何将其用于图像分类。
第5章 其他神经网络架构：讨论了循环网络的理论知识，并展示了如何使用它们对序列数据进行预测；除此之外，还介绍了长短期记忆网络，并建立了一个语言模型来预测文本。
第6章 充分利用PyTorch：介绍了一些高级功能，如在多处理器和并行环境中使用PyTorch。读者将使用预制好的预训练模型为图像分类构建一个灵活的解决方案。
从本书得到的收获
本书不预设任何专业知识背景，读者只需要具备扎实的计算机通用技能即可。Python是一种相对容易学习（而且十分有用）的语言，所以即使读者仅有很少的经验甚至没有编程经验，也不必担心。
本书包含一些相对简单的数学和理论，一些读者在开始时可能会感到困难。深度学习模型是一种复杂的系统，即便是试图理解简单神经网络的行为，也是一项不平凡的工作。幸运的是，PyTorch作为一种围绕这些复杂系统的高级框架，在没有对理论基础深入理解的情况下，也可能取得非常好的结果。
PyTorch的安装非常容易，基本上只需要两个软件包：Python的Anaconda发行版和PyTorch本身。它可以在Windows 7和Windows 10、Mac OS 10.10或以上，以及大多数Linux版本上运行，也可以在台式机或服务器环境中运行。本书中的所有代码都是使用运行在Ubuntu 16上的PyTorch 1.0和Python 3进行测试的。
下载示例代码文件
在www.packt.com网站上，读者可以通过自己的账户下载本书的示例代码文件。如果在其他地方购买了这本书，则可以访问www.packt.com/support并注册，即可将文件直接发送给读者。
读者可以通过以下步骤下载代码文件：
1. 登录www.packt.com。
2. 选择SUPPORT选项卡。
3. 单击Code Downloads & Errata。
4. 在搜索框中输入图书的名称，并按照界面上的说明操作。
下载文件后，应确保使用以下最新版本解压缩或提取文件夹：
WinRAR/7-Zip for Windows。
Zipeg/iZip/UnRarX for Mac。
7-Zip/PeaZip for Linux。
本书的代码包也托管在GitHub上，网址为https：//github.com/PacktPublishing/Deep-Learning-with-PyTorch-Quick-Start-Guide。如果代码进行了更新，则将在现有的GitHub存储库中同时进行更新。
另外，还从大量的书籍和视频目录中获得了其他代码包，读者可在https：//github.com/PacktPublishing/上查看。
下载彩色图片
本书还提供了一个PDF文件，其中包含本书使用的屏幕截图、图表的彩色图像。读者可以访问以下网址进行下载：
https：//www.packtpub.com/sites/default/files/downloads/9781789534092_ColorImages.pdf
评论
还没有评论。