Углублять питтерх от модели до исходного кода Zhang Школа Jie Pytorch Структура исходного кода Глубокий алгоритм обучения Pytorch Machin
Цена: 949руб. (¥44.9)
Артикул: 616635914763
Цена указана со скидкой: 50%
Старая цена: 1900р.
Вес товара: ~0.7 кг. Указан усредненный вес, который может отличаться от фактического. Не включен в цену, оплачивается при получении.
Описание товараПродавец:墨马图书专营店
Адрес:Хэнань
Рейтинг:
Всего отзывов:0
Положительных:0
Добавить в корзину
Другие товары этого продавца
¥35.6753руб.
¥39.8841руб.
¥952 008руб.
¥ 128 80.61 704руб.
| Основная информация, обратитесь к следующему введению | |
| Название книги: | Доставка Pytorch—— от модели до исходного кода |
| Автор: | Чжан Сюнджи |
| Цены: | 89.90 |
| Номер ISBN: | 9787121386411 |
| Издательство: | Электронная промышленная пресса |
| Введение в контент | |
| Эта книга сначала вводит теорию глубокого обучения от принципа глубокого обучения в код Pytorch, а затем вводит, как запустить этот код на компьютере.В качестве технической книги для читателей младших и среднего уровня, основанной на контенте, описанном ранее, эта книга также представляет ряд примеров границы академического сообщества и структуры исходного кода Pytorch, с учетом проектов Читатели для интеграции дизайна фреймворков глубокого обучения. И идея применения. |
| Каталог | |
| Глава 1 Введение в концепцию глубокого обучения 1 1.1 История глубокого обучения 1 1.1.1 Процесс разработки глубокого обучения 1 1.1.2 Разработка глубокого обучения в области компьютерного видения 3 3 1.1.3 Глубокое обучение в обработке и развитии естественного языка. 1.2 Основная концепция машинного обучения 7 1.2.1 Основная задача машинного обучения 8 1.2.2 Типы машины модель 9 1.2.3 Потерянная функция и модель Fit 11 1.3 Основные концепции глубокого обучения 14 1.3.1 Vector, Matrix и Tensor и его операции 15 1.3.2 Хранение количества 19 1.3.3 Концепция нейронов 19 1.4 Выразите данные входных данных 20 1.4.1 Экспресс данных изображения 20 1.4.2 Экспресс текстовых данных 22 1.4.3 Метод представления аудиоданных 23 1.5 Линейная функция преобразования и активации 26 1.5.1 Полное линейное преобразование 26 1.5.2 Снутренняя линейная трансформация 28 1.5.3 Функция активации 29 1.6 Правила руководства цепочки и обратной связи 32 1.6.1 Расчет градиентов на основе спроса на основе цепи 32 1.6.2 Руководство функции активации 34 1.6.3 Числовой градиент 36 1.7 Функция потерь и оптимизатор 37 1.7.1 Обычно используемые функции потерь 37 1.7.2 Оптимизатор 38 градиент 38 1.7.3 Освобождение уровня обучения и ослабление веса 42 1.8 Резюме этой главы 43 Глава 2 Введение в Pytorch Deep Learning Framework 44 2.1 Введение в структуру глубокого обучения 44 2.1.1 Тензор в рамках глубокого обучения 44 2.1.2 Расчет рисунка 45 в рамках глубокого обучения 45 2.1.3 Автоматический спрос и обратное общение в рамках глубокого обучения 46 2.2 История и характеристики Pytorch Framework Изменения 47 2.3 Процесс установки Pytorch 49 2.4 Структура пакета Pytorch 52 2.4.1 Основной модуль Pytorch 52 2.4.2 Модуль вспомогательного инструмента Pytorch 57 2.5 Создание тензора в Pytorch и операция измерения 59 2.5.1 Тип данных 59 2.5.2 Создание метода количества 61 2.5.3 Случитель с хранением с суммой 65 2.5.4 Методы, связанные с измерением измерения 66 2.5.5 Индексы и срезы 69 2.6 Операция 70 в Pytorch 70 2.6.1 Функциональная операция, связанная с одним тензором 70 2.6.2 Функциональные операции, связанные с множественным тензором 72 2.6.3 Extreme value и Spectient 73 2.6.4 Умножение матрицы и сокращение тензора и 75 2.6.5 Время шитья и сегментации 77 2.6.6 Усиление и сжатие количественного размера 79 2.6.7 трансляция 80 2.7 Модуль в Pytorch 82 2.7.1 класс модуля в Pytorch 82 2.7.2 Простой класс линейной регрессии на основе класса модуля 82 2.7.3 экземпляр и методы вызовы линейной регрессии класс 84 2.8 Диаграмма расчета Pytorch и механизм автоматического спроса 87 2.8.1 Введение в механизм автоматического руководства 87 2.8.2 Пример автоматического механизма руководства 88 2.8.3 Использование градиентной функции 89 2.8.4 Управление диаграммой расчета 89 2.9 Функция потерь и оптимизатор 90 2.9.1 Функция потери 90 2.9.2 Оптиматор 92 2.10 Ввод и предварительная обработка данных в Pytorch 96 2.10.1 Загрузка данных класс 96 2.10.2 Набор данных отображения типа 97 2.10.3 Использование пакета инструментов Torchvision 97 2.10.4 Итеративный тип набора данных 100 2.11 Сохранение и загрузки модели пит - 2.11.1 Сериализация модулей и тензорных величин 101 2.11.2 Сохранить и включить словарь статуса модуля 104 2.12 Визуализация данных Pytorch 105 2.12.1 Установка Tensorboard и используйте 105 2.12.2 Tensorboard Обычно используется визуализированный тип данных 108 108 2.13. Параллера Pytorch Model 110 2.13.1 Параллелизация данных Pytorch 111 2.13.1 Распределенные данные Pytorch Parallelization 112 2.14 Эта глава суммирует 116 Глава 3 Pytorch Computer Visual Module 119 3.1 Основная концепция компьютерного зрения 119 3.1.1 Введение в компьютерную визуальную миссию 119 3.1.2 Основная операция преобразования изображения 120 3.1.3 Извлечение функций изображения 123 3.1.4 Концепция фильтра 125 3.2 Линейный слой 126 3.3 Снулительный слой 128 3.4 Anti -Aflection Layer 137 3,5 слой пендализации 144 3.6 Отбросьте слой 149 3.7 Комбинация модуля 151 3.8 Извлечение 153 3.9 Инициализация модели 157 3.10 Общая структура модели 160 3.10.1 Структура начала 161 3.10.2 Структура Resnet 164 3.11 Эта глава суммирует 167 Глава 4 Pytorch Machine Visual Case 169 4.1 Общие визуальные задачи компьютера и набор данных 169 4.1.1 Введение в задачи классификации изображений 169 4.1.2 Введение в задачи обнаружения цели 170 4.1.3 Короткое введение задачи сегментации изображения 171 4.1.4 Введение в задачу генерации изображений 172 4.1.5 Общий набор публичных данных в глубоком обучении 173 4.2 Рукописное цифровое распознавание: Lened 176 4.2.1 Структура глубокого обучения инженерии 176 4.2.2 Подготовка набора данных MNIST 177 4.2.3 Строительство Lenet Network 179 4.2.4 Обучение и тест Lenet Network 182 4.2.5 Модификация супер параметров и использование библиотеки Argparse 185 4.3 Классификация изображений: Resnet и Inceptionnet 187 4.3.1 Набор данных ImageNet Использование 187 4.3.2 Строительство сети Resnet 189 4.3.3 Строительство Интернета 4.4 Обнаружение цели: SSD 204 4.4.1 Структура сети SSD 204 4.4.2 Структура сети извлечения функций SSD 205 4.4.3 Прогнозирование выбора якоря и якоря 210 4.4.4 Предварительная обработка входных данных 214 4.4.5 Расчет функции потерь 216 4.4.6 Прогнозирование модели и неэффективно большой ингибирующий алгоритм 218 4.5 Сегментация изображения: FCN и U-Net 219 4.5.1 Структура сети FCN 220 4.5.2 Структура сети U-Net 225 4.6 Миграция стиля изображения 229 4.6.1 Алгоритм миграции в стиле изображения Введение 229 4.6.2 Введите функции изображения для извлечения 231 4.6.3 Оптимизация изображения 234 4.7 Создание моделей: Vae and Gan 236 4.7.1 Self -coder Введение 237 4.7.2 Реализация разделения самоподобая 239 4.7.3 Генерация конфронтационной сети Введение 242 4.7.4. Создание реализации сети 244 4.8 Эта глава суммирует 249 Глава 5 Модуль лечения естественного языка Pytorch 251 5.1 Основные концепции лечения естественного языка 251 5.1.1 Исследования по обращению с естественным языком, связанным с машинным переводом 251 5.1.2 Исследование лечения естественного языка в других областях 253 5.1.3 Подготовительная обработка экстракции признаков в лечении естественного языка 254 5.1.4 Метод расчета для расчета цикловных функций в обработке естественного языка 256 5.1.5 Метод расчета функций TF-IDF в обработке естественного языка 258 5.2 Слово встроенный слой 261 5.3 Круглувая нейронная сеть слой: GRU и LSTM 267 5.3.1 Простая нейронная сеть. 5.3.2 Сеть памяти (LSTM) 269 5.3.3 Круглое блок затвора (GRU) 272 5.4 Механизм внимания 280 5.5 Механизм самостоятельного присмотра 284 5.5.1 Вопрос о циркулирующей нейронной сети 284 5.5.2 Базовая структура механизма самообвинения 285 5.5.3 Используйте механизм самообвинения для построения модели SEQ2SEQ 288 5.5.4 Модуль механизма самообслуживания в Pytorch 290 5.5.5 Модуль трансформатора в Pytorch 292 5.6 Эта глава суммирует 293 ГЛАВА 6 ПИТОРЧ КРУТЕНИЯ РУКОВОДСТВА 295 6.1 Word2VEC Algorithm Training Word Vector 295 6.1.1 Создание словаря 295 6.1.2 Реализация алгоритма Word2VEC 299 6.1.3 Характеристики алгоритма Word2VEC 301 6.2 Эмоциональный анализ, основанный на циркулирующей нейронной сети 302 6.3 Языковая модель на основе циркулирующей нейронной сети 305 6.3.1 Введение в языковую модель 305 6.3.2 Код языка модель 308 6.4 Модель SEQ2SEQ и ее приложение 311 6.4.1 Структура модели SEQ2SEQ 311 6.4.2 SEQ2SEQ CODER CODE 312 6.4.3 Механизм внимания SEQ2SEQ 315 6.4.4 SEQ2SEQ CODE DECODER 317 6.5 BERT MODEL и ее приложение 321 6.5.1 Структура модели BERT 321 6.5.2 Метод обучения BERT MODEL 325 6.5.3 Фильтрация модели BERT 327 6.6 Эта глава суммирует 329 Глава 7 Другая модель 330 7.1 Рекомендуемая система на основе широкой и глубокой модели 330 7.1.1 Рекомендуемое введение системы 330 7.1.2 Широкая модель Введение 331 7.2 Модель Deepspeech и функция потерь CTC 335 7.2.1 Модель голоса модели Введение 335 7.2.2 Функция потерь CTC 337 7.3 Используйте Tacotron и Wavenet для синтеза голоса 342 342 342 7.3.1 Функции MERL Filter, основанные на SEQ2SEQ в такотронном синтезе 343 7.3.2 Код такотронской модели 344 7.3.3 Введение модели Wavenet 352 7.3.4 ВВЕДЕНИЕ В ДИЗАЦИИ И КИТИЧЕСКИЙ СВОБОДИТЕЛЬНЫЙ МОДУЛ 355 7.3.5 Код 357 7.3.6 Код модели Wavenet 358 7.4 Алгоритм обучения подкрепления на основе DQN 360 7.4.1 Основная концепция укрепления обучения 361 7.4.2 Улучшенная учебная среда 362 7.4.3 Принципы DQN Model 363 7.4.4 Модель DQN и ее тренировочный процесс 365 7.5 Используйте половину -рецидив с плавающей точкой. 7.5.1 Введение в полуославочную плавучесть № 370 7.5. 7.5.3 Использование пакета расширения Apex 372 7.6 Эта глава суммирует 373 Глава 8 Pytorch Advanced Application 375 8.1 Функция функции активации Pytorch Custom и градиент 375 8.2 Расширение письма в Pytorch 377 8.3 крючки, которые являются положительными и обратной передачей 385 8.4 Статическое расчет Pytorch Рисунок 388 8.5 Статическое вычислительное графическое сохранение и используйте 393 8.6 Эта глава суммирует 396 Глава 9 Анализ исходного кода Pytorch 397 9.1 Библиотека расчета натяжения ATEN Введение 397 9.2 C Интерфейс Python 400 9.3 Введение в модуль CSRC 404 9.4 Автограф и автоматический механизм наведения 407 9,5 C10 Чжан Библиотека качества Библиотека Введение 408 9.6 Эта глава суммирует 409 Ссылки 410 |
| Об авторе | |
| Zhang Xuejie, старший инженер по архитектуре глубокого обучения NVIDIA, отвечает за оптимизацию структуры глубокого обучения на основе CUDA.В настоящее время основным технологическим стеком является C /C /CUDA в качестве заднего конца глубокого обучения структуре и Python в передней части структуры глубокого обучения. Основные рамки глубокого обучения, такие как Pytorch и Tensorflow, более знакомы, и и более знакомы. Они опытны в компьютерном зрении (CV) и конкретном применении обработки естественного языка (NLP).Автор был приглашен принять участие в технической конференции, спонсируемой CSDN в качестве специального докладчика. |