PyTorch深度學習入門與應用: 必備實作知識與工具一本就學會 | 誠品線上

PyTorch深度學習入門與應用: 必備實作知識與工具一本就學會

內容簡介

內容簡介 【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。

產品目錄

產品目錄 |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 ResNet18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

商品規格

最佳賣點

最佳賣點 : 【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！