Подлинное Spot Pytorch глубокое обучение Python глубокое обучение вход
Вес товара: ~0.7 кг. Указан усредненный вес, который может отличаться от фактического. Не включен в цену, оплачивается при получении.
Описание товара
|
| Pytorch Deep Learning | ||
 | Ценообразование | 55.00 |
| Издатель | Люди после прессы | |
| Версия | DY версия | |
| Опубликованная дата | Апрель 2019 года | |
| формат | 16 | |
| автор | Пи Вету раб&Миддот; Браумания | |
| Украсить | Оплата в мягкой обложке | |
| Количество страниц | 193 | |
| Число слов | 238000 | |
| Кодирование ISBN | 9787115508980 | |
Pytorch - это Facebook, основанный на начале 2017 года, на основе машинного обучения и научно -вычислительного инструмента Torch, новый пакет инструментов для машинного обучения, выпущенный Python Language, получил широкое внимание и обсуждение в отрасли, как только она была запущена. Он стал машиной Практикующий по обучению. Инструменты исследований и разработок.«Глубокое обучение Pytorch» - это практическое руководство по созданию модели нейронной сети с Pytorch. Содержание разделено на 9 глав, включая базовые знания о Pytorch и глубоком обучении, состав нейронных сетей, знание нейронных сетей, основных Знание машинного обучения и глубокого обучения на компьютере. Применение приложений, глубокое обучение в данных последовательностей и текст, генерация сети, современная сетевая архитектура и будущее направление питорха и глубокого обучения.«Глубокое обучение Pytorch» подходит для персонала промышленности, которые заинтересованы в глубоком обучении и хотят изучить Pytorch; читатели с другим опытом глубокого обучения могут также овладеть использованием Pytorch через эту книгу.
Глава 1 Pytorch и глубокое обучение 1
1.1 Искусственный интеллект 1
1.2 машинное обучение 3
1.3 глубокое обучение 4
1.3.1 Применение глубокого обучения 4
1.3.2 преувеличенная реклама глубокого обучения 6
1.3.3 История развития глубокого обучения 6
1.3.4 Почему это сейчас 7
1.3.5 Доступность оборудования 7
1.3.6 Данные и алгоритм 8
1.3.7 Глубокое обучение.
1.4 Резюме 10
Глава 2 Композиция нейронной сети 11
2.1 Установите Pytorch 11
2.2 Реализуйте первую нейронную сеть 12
2.2.1 Данные подготовки 13
2.2.2 Создание данных для нейронной сети 20
2.2.3.
2.3 Резюме 25
Глава 3 В -depthance понимания нейронной сети 26
3.1 Подробное объяснение компонентов нейронной сети 26
3.1.1 слой— базовый состав нейронной сети 27
3.1.2 Не -линейная функция активации 29
3.1.3 не -линейная функция активации в Pytorch 32
3.1.4 Используйте глубокое обучение для классификации изображений 36
3.2 Резюме 46
Глава 4 Основы машинного обучения 47
4.1 Три типа проблем машинного обучения 47
4.1.1.
4.1.2 Неконтролируемое обучение 48
4.1.3 Укрепление обучения 48
4.2 Термин машинного обучения 49
4.3 Оценить модель машинного обучения 50
4.4 Предварительная обработка данных и функциональный проект 54
4.4.1 Вектор 54
4.4.2 Значение 54
4.4.3 Обработка потерянного значения 55
4.4.4.
4.5 переосмысление и задолженность 56
4.5.1 Получить больше данных 56
4.5.2 Уменьшите сетевой шкалу 57
4.5.3 Правильная регуляризация прикладных прав 58
4.5.4. Обратное приложение 58
4.5.5 Введение в 60
4.6 Рабочий процесс проекта машинного обучения 60
4.6.1 Определение проблем и создание набора данных 60
4.6.2 Успешное стандарт измерения 61
4.6.3 Соглашение об оценке 61
4.6.4 Данные подготовки 62
4.6.5 Базовая линия модели 62
4.6.6 к приспособленной модели 63
4.6.7 Ретализация приложений 63
4.6.8 Стратегия выбора обучения 64
4.7 Резюме 65
Глава 5 Компьютерное зрение 66
5.1 Введение в нейронную сеть 66
5.2 Строительство модели CNN с нуля 69
5.2.1 conv2d 71
5.2.2 Пондизация 74
5.2.3 Нелинейная активация—ReLU 75
5.2.4 Просмотр 76
5.2.5 Тренировочная модель 77
5.2.6 Проблема классификации собак и кошек— Construct CNN 80 с нуля
5.2.7 Используйте миграционное обучение для классификации собак и кошек 82
5.3 Создать и исследовать VGG16 модель 84
5.3.1 Замороженный слой 85
5.3.2.
5.3.3 Обучение VGG16 Модель 86
5.4 Расчет Предохраняющий специальный знак 88
5.5 Понять, как узнать модель CNN 91
5.6 Вес визуализации слоя CNN 94
5.7 Резюме 95
Глава 6 Данные последовательности и глубокое обучение текста 96
6.1 Используйте текстовые данные 96
6.1.1 Слово 98
6.1.2 Vectorization 100
6.2, создав эмоциональный классификатор вектор 104
6.2.1 Скачать данные IMDB и разделить текстовые слова 104
6.2.2 Строительство слов Таблица 106
6.2.3 Пакетные данные для генерации векторов 107
6.2.4 Используйте Word Vector для создания сетевой модели 108
6.2.5 Тренировочная модель 109
6.3 Используйте предварительно обученный словесный вектор 110
6.3.1 Скачать слово вектор 111
6.3.2 Загрузите слово вектор 112 в модели 112
6.3.3 Замороженный встраивающий слой вес 113
6.4 Рекурсивная нейронная сеть (RNN) 113
6,5 LSTM 117
6.5.1 Длительная зависимость 117
6.5.2 LSTM Network 117
6.6 Снутренняя сеть на основе данных последовательности 123
6.7 Резюме 125
ГЛАВА 7 Generation Network 126
7.1 Миграция нервного стиля 126
7.1.1 Данные загрузки 129
7.1.2 Создайте модель VGG 130
7.1.3 Потеря содержания 131
7.1.4 Потеря стиля 131
7.1.5 Потеря извлечения 133
7.1.6 Создайте функцию потери для сетевого уровня 136
7.1.7 Создать оптимизатор 136
7.1.8 Обучение 137
7.2 Сгенерировать сеть конфронтации (GAN) 138
7.3 Сеть конфронтационной сети Deep Roll Machine 139
7.3.1 Определение генерации сеть 140
7.3.2 Определение и оценка сети 144
7.3.3 Определите функцию потерь и оптимизатор 145
7.3.4.
7.3.5 Сеть генерации обучения 146
7.3.6 Обучение всей сети 147
7.3.7, сгенерированная тестированием 148
7.4 Языковое моделирование 150
7.4.1 Данные о подготовке 151
7.4.2 Сгенерировать пакетные данные 152
7.4.3 Определение модели 153 на основе LSTM
7.4.4 Определение обучения и оценки функции 155
7.4.5 Тренировочная модель 157
7.5 Резюме 159
Глава 8 Современная сеть архитектура 160
8.1 Современная сетевая архитектура 160
8.1.1 Resnet 160
8.1.2 Начало 168
8.2 Сеть Dense Connection Convition Setwork (Densenetet) 175
8.2.1 DenseBlock 175
8.2.2 Денсилай 176
8.3 Модель интегрирована 180
8.3.1 Создать модель 181
8.3.2 Особенность извлечения 182
8.3.3 Создание пользовательского набора данных и загрузки данных 183
8.3.4 Создайте интегрированную модель 184
8.3.5 Модель обучения и проверки 185
8.4 Архитектура Encoder-Decoder 186
8.4.1 Кодер 188
8.4.2 Декодер 188
8.5 Резюме 188
ГЛАВА 9 Future Go 189
9.1 будущее до 189
9.2 Обзор 189
9.3 Интересное творческое приложение 190
9.3.1 Обнаружение объекта 190
9.3.2 Сегментация изображения 191
9.3.3 Opennmt 192 в Pytorch
9.3.4 Allen NLP 192
9.3.5 Fast.ai&Mdash; нейронная сеть больше не таинственна 192
9.3.6 Обмен открытой нейронной сетью 192
9.4 Как не отставать от переднего края 193
9.5 Резюме 193
Vishnu Subramanian пережил опыт в лидерстве, проектировании и реализации программ анализа больших данных (искусственный интеллект, машинное обучение и глубокое обучение).Хорошо в машинном обучении, глубоком обучении, распределенном машинном обучении и визуализации.Он имеет опыт в розничной торговле, финансах и туристической промышленности и хорошо понимает и координирует отношения между предприятиями, искусственным интеллектом и инженерными командами.
Используйте Pytorch для разработки практического руководства для нейронных сетей для предоставления цветовых карт и исходного кода для этой книги