PyTorch深度學習與企業級項目實戰

PyTorch深度學習與企業級項目實戰

《PyTorch深度學習與企業級項目實戰》是一本清華大學出版社出版的圖書,作者是宋立桓 宋立林

基本介紹

  • 中文名:PyTorch深度學習與企業級項目實戰
  • 出版時間:2024年3月1日
  • 出版社:清華大學出版社
  • ISBN:9787302657026
  • 定價:69 元
內容簡介,作者簡介,圖書目錄,

內容簡介

《PyTorch深度學習與企業級項目實戰》立足於具體的企業級項目開發實踐,以通俗易懂的方式詳細介紹PyTorch深度學習的基礎理論以及相關的必要知識,同時以實際動手操作的方式來引導讀者入門人工智慧深度學習。本書配套示例項目原始碼、數據集、PPT課件與作者微信群答疑服務。
《PyTorch深度學習與企業級項目實戰》共分18章,內容主要包括人工智慧、機器學習和深度學習之間的關係,深度學習框架PyTorch 2.0的環境搭建,Python數據科學庫,深度學習基本原理,PyTorch 2.0入門,以及13個實戰項目:遷移學習花朵識別、垃圾分類識別、短期電力負荷預測、空氣品質預測、手寫數字識別、人臉識別與面部表情識別、圖像風格遷移、糖尿病預測、基於GAN 生成動漫人物畫像、基於大語言模型的NLP、猴痘病毒識別項目實戰、X光肺部感染識別項目實戰、樂器聲音音頻識別項目實戰。
《PyTorch深度學習與企業級項目實戰》適合PyTorch深度學習初學者、深度學習算法從業培訓人員、深度學習套用開發人員閱讀,也適合作為高等院校或高職高專深度學習課程的教材。

作者簡介

宋立桓,資深IT專家,目前為國內某網際網路頭部企業的解決方案架構師,專注於雲計算、大數據和人工智慧。曾就職於微軟中國有限公司。著有圖書《Python深度學習從零開始學》《Cloudera Hadoop大數據平台實戰指南》《MySQL性能最佳化和高可用架構實踐》《AI制勝:機器學習極簡入門》《元宇宙:網際網路新未來》等。

圖書目錄

目 錄
第1章 人工智慧、機器學習與深度學習簡介 1
1.1 什麼是人工智慧 1
1.2 人工智慧的本質 2
1.3 人工智慧相關專業人才就業前景 4
1.4 機器學習和深度學習 5
1.4.1 什麼是機器學習 5
1.4.2 深度學習獨領風騷 6
1.4.3 機器學習和深度學習的關係和對比 7
1.5 小白如何學深度學習 10
1.5.1 關於兩個“放棄” 10
1.5.2 關於三個“必須” 10
第2章 深度學習框架PyTorch開發環境搭建 12
2.1 PyCharm的安裝和使用技巧 12
2.2 在Windows環境下安裝CPU版的PyTorch 16
2.3 在Windows環境下安裝GPU版的PyTorch 18
2.3.1 確認顯示卡是否支持CUDA 18
2.3.2 安裝CUDA 19
2.3.3 安裝cuDNN 20
2.3.4 安裝GPU版PyTorch 22
第3章 Python數據科學庫 24
3.1 張量、矩陣和向量的區別 24
3.2 數組和矩陣運算庫NumPy 26
3.2.1 列表和數組的區別 26
3.2.2 創建數組的方式 27
3.2.3 NumPy的算術運算 28
3.2.4 數組變形 30
3.3 數據分析處理庫Pandas 31
3.3.1 Pandas數據結構Series 31
3.3.2 Pandas數據結構DataFrame 32
3.3.3 Pandas處理CSV檔案 34
3.3.4 Pandas數據清洗 36
3.4 數據可視化庫Matplotlib介紹 40
第4章 深度學習的基本原理 44
4.1 神經網路原理闡述 44
4.1.1 神經元和感知器 44
4.1.2 激活函式 47
4.1.3 損失函式 49
4.1.4 梯度下降和學習率 49
4.1.5 過擬合和Dropout 50
4.1.6 神經網路反向傳播法 52
4.2 卷積神經網路 52
4.2.1 什麼是卷積神經網路 52
4.2.2 卷積神經網路詳解 53
4.2.3 卷積神經網路是如何訓練的 56
4.2.4 卷積神經網路為什麼能稱霸圖像識別領域 57
4.3 卷積神經網路經典模型架構簡介 58
4.3.1 LeNet-5 59
4.3.2 AlexNet 59
4.3.3 VGG 60
4.3.4 GoogLeNet 61
4.3.5 ResNet 62
4.4 常用的模型評估指標 65
第5章 深度學習框架PyTorch入門 71
5.1 Tensor 71
5.1.1 Tensor簡介 71
5.1.2 使用特定數據創建張量 72
5.1.3 使用隨機數創建張量 73
5.1.4 張量基本操作 75
5.2 使用GPU加速 76
5.3 自動求導 77
5.4 PyTorch神經網路 79
5.4.1 構建神經網路 79
5.4.2 數據的載入和處理 81
5.4.3 模型的保存和載入 82
5.5 PyTorch入門實戰:CIFAR-10圖像分類 82
第6章 遷移學習花朵識別項目實戰 90
6.1 遷移學習簡介 90
6.2 什麼是預訓練模型 91
6.3 如何使用預訓練模型 92
6.4 使用遷移學習技術實現花朵識別 93
6.5 遷移學習總結 99
第7章 垃圾分類識別項目實戰 100
7.1 垃圾分類識別項目背景 100
7.2 垃圾分類背後的技術 101
7.3 垃圾圖片數據集介紹 101
7.4 MnasNet模型介紹 102
7.5 垃圾分類識別項目代碼分析 103
第8章 短期電力負荷預測項目實戰 109
8.1 電力負荷預測項目背景 109
8.2 電力負荷預測的意義 110
8.3 電力負荷數據的獲取 110
8.4 一維卷積1D-CNN 112
8.5 項目代碼分析 113
第9章 空氣品質識別分類與預測項目實戰 119
9.1 空氣品質識別分類與預測項目背景 119
9.2 主成分分析 120
9.3 聚類分析(K-Means) 122
9.4 項目代碼分析 123
第10章 手寫數字識別項目實戰 128
10.1 手寫數字識別項目背景 128
10.2 手寫數字數據集 128
10.3 LeNet5模型構建 129
10.4 模型訓練和測試 131
10.4.1 損失函式 131
10.4.2 最佳化器 131
10.4.3 超參數設定 132
10.4.4 性能評估 132
10.5 項目完整代碼介紹 133
10.6 項目總結 137
第11章 人臉識別及表情識別實戰 138
11.1 人臉識別 138
11.1.1 什麼是人臉識別 138
11.1.2 人臉識別過程 139
11.2 人臉識別項目實戰 143
11.2.1 人臉檢測 143
11.2.2 人臉識別 145
11.3 面部表情識別項目實戰 151
第12章 圖像風格遷移項目實戰 157
12.1 圖像風格遷移簡介 157
12.2 使用預訓練的VGG-16模型進行圖像風格遷移 160
12.2.1 算法思想 160
12.2.2 算法細節 161
12.2.3 代碼實現 163
第13章 基於GAN生成動漫人物圖像項目實戰 170
13.1 什麼是生成式對抗網路 170
13.2 生成式對抗網路的算法細節 172
13.3 循環生成對抗網路CycleGAN 174
13.4 基於生成式對抗網路生成動漫人物圖像 177
第14章 糖尿病預測項目實戰 183
14.1 糖尿病預測項目背景 183
14.2 糖尿病數據集介紹 184
14.3 LSTM-CNN模型 187
14.4 實戰項目代碼分析 189
第15章 基於大語言模型的自然語言處理項目實戰 194
15.1 自然語言處理Embedding層詳解 194
15.2 Transformer模型簡介 197
15.3 預訓練語言模型GPT 199
15.3.1 什麼是預訓練語言模型 199
15.3.2 GPT-2模型介紹 200
15.3.3 PyTorch-Transformers庫介紹 201
15.4 基於Transformer模型的謠言檢測系統的實現 202
15.4.1 謠言檢測系統項目背景 202
15.4.2 謠言檢測系統代碼實戰 203
15.5 基於GPT2在新聞文本分類項目中的實現 211
15.5.1 新聞文本分類項目背景 211
15.5.2 新聞文本分類代碼實戰 212
第16章 猴痘病毒識別項目實戰 218
16.1 猴痘病毒識別項目背景 218
16.2 ResNet101模型 219
16.2.1 殘差塊 219
16.2.2 ResNet101網路結構 220
16.3 實戰項目代碼分析 220
第17章 X光肺部感染識別項目實戰 226
17.1 X光肺部感染識別項目背景 226
17.2 項目所用到的圖像分類模型 227
17.3 實戰項目代碼分析 230
第18章 樂器聲音音頻識別項目實戰 237
18.1 音頻與聲音數位化 237
18.2 音頻深度學習 238
18.3 音頻處理的套用場景 240
18.4 實戰項目代碼分析 242

相關詞條

熱門詞條

聯絡我們