PyTorch机器学习从入门到实战pdf电子书版本下载

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
下载压缩包 [复制下载地址] 温馨提示：（请使用BT下载软件FDM进行下载）软件下载地址页

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。

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

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 Sigmoid 47

3.2.2 Tanh 48

3.2.3 Hard Tanh 49

3.2.4 ReLU 50

3.2.5 ReLU的扩展 51

3.2.6 Softmax 54

3.2.7 LogSoftmax 55

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 SGD 77

4.3.2 Momentum 77

4.3.3 AdaGrad 78

4.3.4 RMSProp 79

4.3.5 Adam 80

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 Normalization 86

4.4.3 Dropout 87

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 PCA 115

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GRU 138

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