图书介绍

PyTorch机器学习从入门到实战2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载

孙琳等编著著
出版社：北京：机械工业出版社
ISBN：9787111610458
出版时间：2018
标注页数：190页
文件大小：22MB
文件页数：202页
主题词：机器学习

PDF下载

点此进入-本书在线PDF格式电子书下载【推荐-云解压-方便快捷】直接下载PDF格式图书。移动端-PC端通用
种子下载[BT下载速度快]温馨提示：（请使用BT下载软件FDM进行下载）软件下载地址页直链下载[便捷但速度慢] [在线试读本书] [在线获取解压码]

点击复制MD5值：7e1e2ec29705ee57c2a4f1c7aaaed4b9

下载说明

PyTorch机器学习从入门到实战PDF格式电子书版下载

下载的文件为RAR压缩包。需要使用解压软件进行解压得到PDF格式图书。

点击复制85GB完整离线版磁力链接到迅雷FDM等BT下载工具进行下载详情点击-查看共享计划

建议使用BT下载工具Free Download Manager进行下载,简称FDM(免费,没有广告,支持多平台）。本站资源全部打包为BT种子。所以需要使用专业的BT下载软件进行下载。如BitComet qBittorrent uTorrent等BT下载工具。迅雷目前由于本站不是热门资源。不推荐使用！后期资源热门了。安装了迅雷也可以迅雷进行下载！

（文件页数要大于标注页数，上中下等多册电子书除外）

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

图书目录

第1章深度学习介绍1

1.1 人工智能、机器学习与深度学习2

1.2 深度学习工具介绍5

1.3 PyTorch介绍7

1.4 你能从本书中学到什么9

第2章 PyTorch安装和快速上手11

2.1 PyTorch安装12

2.1.1 Anaconda安装12

2.1.2 PyTorch安装19

2.2 Jupyter Notebook使用19

2.3 NumPy基础知识22

2.3.1 基本概念23

2.3.2 创建数组24

2.3.3 基本运算26

2.3.4 索引、切片和迭代27

2.3.5 数组赋值32

2.3.6 更改数组的形状33

2.3.7 组合、拆分数组34

2.3.8 广播35

2.4 PyTorch基础知识37

2.4.1 Tensor简介37

2.4.2 Variable简介38

2.4.3 CUDA简介38

2.4.4 模型的保存与加载39

2.4.5 第一个PyTorch程序40

第3章神经网络43

3.1 神经元与神经网络44

3.2 激活函数46

3.2.1 Sigmoid47

3.2.2 Tanh48

3.2.3 Hard Tanh49

3.2.4 ReLU50

3.2.5 ReLU的扩展51

3.2.6 Softmax54

3.2.7 LogSoftmax55

3.3 前向算法55

3.4 损失函数57

3.4.1 损失函数的概念57

3.4.2 回归问题57

3.4.3 分类问题58

3.4.4 PyTorch中常用的损失函数59

3.5 反向传播算法62

3.6 数据的准备65

3.7 PyTorch实例：单层神经网络实现66

第4章深度神经网络及训练70

4.1 深度神经网络72

4.1.1 神经网络为何难以训练72

4.1.2 改进策略74

4.2 梯度下降75

4.2.1 随机梯度下降75

4.2.2 Mini-Batch梯度下降75

4.3 优化器77

4.3.1 SGD77

4.3.2 Momentum77

4.3.3 AdaGrad78

4.3.4 RMSProp79

4.3.5 Adam80

4.3.6 选择正确的优化算法81

4.3.7 优化器的使用实例82

4.4 正则化85

4.4.1 参数规范惩罚85

4.4.2 Batch Normalization86

4.4.3 Dropout87

4.5 PyTorch实例：深度神经网络实现89

第5章卷积神经网络93

5.1 计算机视觉95

5.1.1 人类视觉和计算机视觉95

5.1.2 特征提取95

5.1.3 数据集97

5.2 卷积神经网络100

5.2.1 卷积层102

5.2.2 池化层104

5.2.3 经典卷积神经网络105

5.3 MNIST数据集上卷积神经网络的实现110

第6章嵌入与表征学习114

6.1 PCA115

6.1.1 PCA原理115

6.1.2 PCA的PyTorch实现116

6.2 自编码器117

6.2.1 自编码器原理118

6.2.2 PyTorch实例：自编码器实现118

6.2.3 PyTorch实例：基于自编码器的图形去噪122

6.3 词嵌入125

6.3.1 词嵌入原理125

6.3.2 PyTorch实例：基于词向量的语言模型实现128

第7章序列预测模型132

7.1 序列数据处理133

7.2 循环神经网络134

7.3 LSTM和GRU138

7.4 LSTM在自然语言处理中的应用142

7.4.1 词性标注142

7.4.2 情感分析144

7.5 序列到序列网络145

7.5.1 序列到序列网络原理145

7.5.2 注意力机制146

7.6 PyTorch实例：基于GRU和Attention的机器翻译147

7.6.1 公共模块147

7.6.2 数据处理147

7.6.3 模型定义151

7.6.4 训练模块定义155

7.6.5 训练和模型保存161

7.6.6 评估过程162

第8章 PyTorch项目实战165

8.1 图像识别和迁移学习——猫狗大战166

8.1.1 迁移学习介绍166

8.1.2 计算机视觉工具包166

8.1.3 猫狗大战的PyTorch实现167

8.2 文本分类172

8.2.1 文本分类的介绍173

8.2.2 计算机文本工具包174

8.2.3 基于CNN的文本分类的PyTorch实现174

8.3 语音识别系统介绍182

8.3.1 语音识别介绍182

8.3.2 命令词识别的PyTorch实现183