读者对象：本书非常适合知道如何在 Python 中编程并了解深度学习基础知识的读者。本书面向具有传统机器学习实践经验，或希望在实践中探索深度学习世界并将其实现部署到生产中的发人员。 本书是一本深度学习实践指南，聚焦于PyTorch深度学习各场景的动手实现，不涉及模型层面的原理剖析。书中通过大量示例及代码，详细展示如何使用PyTorch构建深度学习模型原型、构建深度学习工作流和将原型用于生产。全书共7章。第1章介绍使用PyTorch行深度学习的方法和PyTorch的基本API；第2章演示如何构建一个简单神经网络；第3章深探讨深度学习工作流和PyTorch生态系统；第4章介绍基于PyTorch构建的CNN；第5章介绍RNN并探讨序列数据处理；第6章详细介绍生成对抗网络（GAN）；第7章介绍强化学习；第8章介绍将PyTorch应用于生产的三种不同方法。
售 价：¥
纸质售价：¥59.20购买纸书
6.7
温馨提示：数字商品不支持退换货，不提供源文件，不支持导出打印
为你推荐
译者序
前言
作者简介
审校者简介
第1章 深度学习回顾和PyTorch简介
1.1 PyTorch的历史
1.2 PyTorch是什么
1.2.1 安装PyTorch
1.2.2 PyTorch流行的原因
1.3 使用计算图
1.3.1 使用静态图
1.3.2 使用动态图
1.4 探索深度学习
1.5 开始编写代码
1.5.1 学习基本操作
1.5.2 PyTorch的内部逻辑
1.6 总结
参考资料
第2章 一个简单的神经网络
2.1 问题概述
2.2 数据集
2.3 新手模型
2.4 PyTorch方式
2.4.1 高阶API
2.4.2 functional模块
2.4.3 损失函数
2.4.4 优化器
2.5 总结
参考资料
第3章 深度学习工作流
3.1 构思和规划
3.2 设计和实验
3.2.1 数据集和DataLoader类
3.2.2 实用程序包
3.3 模型实现
3.4 训练和验证
3.5 总结
参考资料
第4章 计算机视觉
4.1 CNN简介
4.2 将PyTorch应用于计算机视觉
4.2.1 简单CNN
4.2.2 语义分割
4.3 总结
参考资料
第5章 序列数据处理
5.1 循环神经网络简介
5.2 问题概述
5.3 实现方法
5.3.1 简单RNN
5.3.2 高级RNN
5.3.3 递归神经网络
5.4 总结
参考资料
第6章 生成网络
6.1 方法定义
6.2 自回归模型
6.2.1 PixelCNN
6.2.2 WaveNet
6.3 GAN
6.3.1 简单GAN
6.3.2 CycleGAN
6.4 总结
参考资料
第7章 强化学习
7.1 问题定义
7.2 回合制任务与连续任务
7.3 累积折扣奖励
7.4 马尔可夫决策过程
7.5 解决方法
7.5.1 策略和价值函数
7.5.2 贝尔曼方程
7.5.3 深度Q学习
7.5.4 经验回放
7.5.5 Gym
7.6 总结
参考资料
第8章 将PyTorch应用到生产
8.1 使用Flask提供服务
8.2 ONNX
8.3 使用TorchScript提高效率
8.4 探索RedisAI
8.5 总结
参考资料
买过这本书的人还买过
读了这本书的人还在读
同类图书排行榜
购物车
个人中心
