深入理解PyTorch 阿施.拉賈漢.賈 9787302684527 【台灣高等教育出版社】

*書籍均為代購，我們向大陸付款發訂後即無法取消，為避免造成不必要的損失，
下訂前請慎重考慮！下訂前請慎重考慮！謝謝。
*完成訂單後正常情形下約兩周可抵台。
*本賣場提供之資訊僅供參考，以到貨標的為正確資訊。
印行年月：202504*若逾兩年請先於客服中心或Line洽詢存貨情況，謝謝。
台灣(台北市)在地出版社，每筆交易均開具統一發票，祝您中獎最高1000萬元。
書名：深入理解PyTorch
ISBN：9787302684527
出版社：清華大學
著編譯者：阿施.拉賈漢.賈
頁數：472
所在地：中國大陸 *此為代購商品
書號：1730143
可大量預訂，請先連絡。

內容簡介

本書詳細闡述了與PyTorch相關的基本解決方案，主要包括深度卷積神經網絡架構、結合CNN和LSTM、深度循環模型架構、高級混合模型、圖神經網絡、使用PyTorch生成音樂和文本、神經風格遷移、深度卷積GAN、利用擴散生成圖像、深度強化學習、模型訓練優化、將PyTorch模型投入生產、移動設備上的PyTorch、使用PyTorch進行快速原型開發、PyTorch和AutoML、PyTorch與可解釋人工智能、推薦系統與PyTorch、PyTorch和Hugging Face等內容。此外，本書還提供了相應的示例、代碼，以幫助讀者進一步理解相關方案的實現過程。 本書適合作為高等院校計算機及相關專業的教材和教學參考書，也可作為相關開發人員的自學用書和參考手冊。

作者簡介

阿施·拉賈漢·賈，擁有IIT Roorkee（印度）電氣工程學士學位，EPFL（瑞士）計算機科學碩士學位。EPFL（瑞士）計算機科學碩士學位，Quantic商學院（華盛頓）MBA學位，並都以優異成績畢業。Ashish曾在甲骨文、索尼及初創科技公司等多家科技公司工作，在Revolut擔任機器學習工程師。

目錄

第1章 PyTorch深度學習概述
1 1 深度學習回顧
1 2 優化計劃
1 3 PyTorch庫與TensorFlow的對比
1 3 1 張量模塊
1 3 2 PyTorch模塊
1 3 3 使用PyTorch訓練神經網絡
1 4 本章小結
1 5 參考文獻
第2章 深度卷積神經網絡架構
2 1 為什麼CNN如此強大
2 2 CNN架構的演變
2 3 從頭開始開發LeNet
2 3 1 使用PyTorch構建LeNet
2 3 2 訓練LeNet
2 3 3 測試LeNet
2 4 微調AlexNet模型
2 5 運行預訓練的VGG模型
2 6 GoogLeNet和Inceptionv
2 6 1 Inception模塊
2 6 21 ×1卷積
2 6 3 全局平均池化
2 6 4 輔助分類器
2 6 5 Inceptionv
2 7 ResNet和DenseNet架構
2 7 1 ResNet
2 7 2 DenseNet
2 8 EfficientNet和CNN架構的未來
2 9 本章小結
2 10 參考文獻
第3章 結合CNN和LSTM
3 1 構建帶有CNN和LSTM的神經網絡
3 2 使用PyTorch構建圖像字幕生成器
3 2 1 下載圖像字幕數據集
3 2 2 預處理字幕（文本）數據
3 2 3 預處理圖像數據
3 2 4 定義圖像字幕數據載入器
3 2 5 定義CNN-LSTM模型
3 2 6 訓練CNN-LSTM模型
3 2 7 使用訓練好的模型生成圖像字幕
3 3 本章小結
3 4 參考文獻
第4章 深度循環模型架構
4 1 探索循環網絡的演變
4 1 1 循環神經網絡的類型
4 1 2 RNN
4 1 3 雙向RNN
4 1 4 LSTM
4 1 5 擴展和雙向LSTM
4 1 6 多維RNN
4 1 7 堆疊LSTM
4 1 8 GRU
4 1 9 網格LSTM
4 1 10 門控正交循環單元
4 2 訓練RNN進行情感分析
4 2 1 載入和預處理文本數據集
4 2 2 實例化並訓練模型
4 3 構建雙向LSTM
4 3 1 載入和預處理文本數據集
4 3 2 實例化並訓練LSTM模型
4 4 GRU和基於注意力的模型
4 4 1 GRU和PyTorch
4 4 2 基於注意力的模型
4 5 本章小結
4 6 參考文獻
第5章 高級混合模型
5 1 構建用於語言建模的transformer模型
5 1 1 語言建模回顧
5 1 2 transformer模型架構
5 1 3 在PyTorch中定義transformer模型
5 2 從頭開始開發RandWireNN模型
5 2 1 理解RandWireNN
5 2 2 利用PyTorch開發RandWireNN
5 3 本章小結
5 4 參考文獻
第6章 圖神經網絡
6 1 圖神經網絡簡介
6 1 1 圖神經網絡的直觀理解
6 1 2 在圖數據上使用常規NN
6 1 3 通過計算圖理解GNN的強大能力
6 2 圖學習任務的類型
6 2 1 節點級任務
6 2 2 邊級任務
6 2 3 圖級任務
6 3 回顧突出的GNN模型
6 3 1 GCN中的圖卷積
6 3 2 在圖上使用注意力機制的GAT
6 3 3 執行圖採樣的GraphSAGE
6 3 4 使用PyTorchGeometric構建圖卷積網絡模型
6 3 5 載入和探索引用網絡數據集
6 3 6 構建一個簡單的基於神經網絡的節點分類器
6 3 7 構建用於節點分類的GCN模型
6 4 使用PyTorchGeometric訓練GAT模型
6 5 本章小結
6 6 參考文獻
第7章 使用PyTorch生成音樂和文本
7 1 使用PyTorch構建基於transformer的文本生成器
7 1 1 訓練基於transformer的語言模型
7 1 2 保存和載入語言模型
7 1 3 使用語言模型生成文本
7 2 使用GPT模型作為文本生成器
7 2 1 使用GPT-2實現即用型文本生成
7 2 2 使用PyTorch的文本生成策略
7 2 3 使用GPT-3實現文本生成
7 3 使用PyTorch並通過LSTM生成MIDI音樂
7 3 1 載入MIDI音樂數據
7 3 2 定義LSTM模型和訓練過程
7 3 3 訓練並測試音樂生成模型
7 4 本章小結
7 5 參考文獻
第8章 神經風格遷移
8 1 如何在圖像之間遷移風格
8 2 使用PyTorch實現神經風格遷移
8 2 1 載入內容和風格圖像
8 2 2 載入並修剪預訓練的VGG19模型
8 2 3 構建神經風格遷移模型
8 2 4 訓練風格遷移模型
8 2 5 嘗試風格遷移系統
8 3 本章小結
8 4 參考文獻
第9章 深度卷積GAN
9 1 定義生成器和鑒別器網絡
9 2 使用PyTorch訓練DCGAN
9 2 1 定義生成器
9 2 2 定義鑒別器
9 2 3 載入圖像數據集
9 2 4 DCGAN的訓練循環
9 3 使用GAN進行風格遷移
9 3 1 pix2pix架構
9 3 2 pix2pix生成器
9 3 3 pix2pix鑒別器
9 4 本章小結
9 5 參考文獻
第10章 利用擴散生成圖像
10 1 理解使用擴散的圖像生成
10 1 1 擴散的工作方式
10 1 2 訓練一個前向擴散模型
10 1 3 執行反向擴散或去噪
10 2 訓練一個用於圖像生成的擴散模型
10 2 1 使用Hugging Face數據集載入數據集
10 2 2 使用torchvision轉換處理數據集
10 2 3 使用diffusers為圖
詳細資料或其他書籍請至台灣高等教育出版社查詢，查後請於客服中心或Line或本社留言板留言，我們即儘速上架。

大陸簡體正版圖書，訂購後正常情形下約兩周可抵台。