深度學習實踐教程

定　價：￥42.00

作　者：	吳微著
出版社：	電子工業(yè)出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

京東 (￥35.20)

ISBN：	9787121393969	出版時間：	2020-08-01	包裝：	平裝
開本：	16開	頁數(shù)：	220	字數(shù)：

內(nèi)容簡介

　　本書共分8章，內(nèi)容包括深度學習基礎(chǔ)、深度學習框架PyTorch的安裝、PyTorch基礎(chǔ)、線性回歸和邏輯回歸、全連接神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)及生成式對抗網(wǎng)絡(luò)。本書首先從深度學習基礎(chǔ)知識入手，引領(lǐng)讀者動手搭建深度學習框架PyTorch，然后在PyTorch框架下實現(xiàn)深度學習中常用的網(wǎng)絡(luò)模型。通過本書，讀者可對深度學習有一個清晰的認識。本書中的程序均可在Windows系統(tǒng)中運行，不受是否具備GPU的限制。本書提供電子課件、源代碼，讀者可登錄“華信教育資源網(wǎng)”（www.hxedu.com.cn）免費下載。書中每章都配有習題和實驗，最后還附有參考答案。本書可作為高等學校本科數(shù)據(jù)科學與大數(shù)據(jù)、人工智能、機器人工程等專業(yè)深度學習相關(guān)課程的教材，也適合廣大對深度學習有興趣的讀者自學使用。

作者簡介

　　吳微，中國科學院沈陽自動化研究所博士后，副教授，美國普渡大學訪問學者；參與編寫《跨越軟件設(shè)計師必備訓練》、《跨越軟考精講精練》系列考試培訓教程，共計100萬字；2016年起承擔本校深度學習算法及應用”本科課程的教學工作，具有豐富的深度學習教學經(jīng)驗。

圖書目錄

目錄
第1章深度學習基礎(chǔ) 1
1．1 人工智能、機器學習與深度學習 1
1．1．1 人工智能簡介 1
1．1．2 機器學習簡介 2
1．1．3 深度學習簡介 3
1．2 深度學習的三大核心要素 4
1．3 神經(jīng)元與深度神經(jīng)網(wǎng)絡(luò) 7
1．4 神經(jīng)網(wǎng)絡(luò)中常用的激勵函數(shù) 9
1．5 深度學習的優(yōu)勢 13
1．6 常用的深度學習框架 15
本章小結(jié) 16
習題 16
第2章深度學習框架PyTorch的安裝 19
2．1 PyTorch介紹 19
2．2 Windows系統(tǒng)中PyTorch的配置 20
2．2．1 安裝Python 20
2．2．2 PyTorch環(huán)境搭建 21
2．3 Linux系統(tǒng)中PyTorch的配置 22
2．3．1 安裝虛擬機 23
2．3．2 Python環(huán)境配置 25
2．3．3 PyTorch環(huán)境搭建 25
2．4 PyTorch開發(fā)工具 26
2．4．1 IDLE 26
2．4．2 PyCharm 27
本章小結(jié) 34
習題 34
實驗 35
第3章 PyTorch基礎(chǔ) 36
3．1 Tensor的定義 36
3．2 Tensor的創(chuàng)建 37
3．3 Tensor的形狀調(diào)整 39
3．4 Tensor的簡單運算 40
3．5 Tensor的比較 41
3．6 Tensor的數(shù)理統(tǒng)計 42
3．7 Tensor與NumPy的互相轉(zhuǎn)換 43
3．8 Tensor的降維和增維 44
3．9 Tensor的裁剪 46
3．10 Tensor的索引 46
3．11 把Tensor移到GPU上 48
本章小結(jié) 49
習題 49
實驗 50
第4章線性回歸和邏輯回歸 54
4．1 回歸 54
4．2 線性回歸 55
4．3 一元線性回歸的代碼實現(xiàn) 58
4．4 梯度及梯度下降法 62
4．4．1 梯度 62
4．4．2 梯度下降法 62
4．5 多元線性回歸的代碼實現(xiàn) 63
4．6 邏輯回歸 65
4．6．1 邏輯回歸 65
4．6．2 邏輯回歸中的損失函數(shù) 66
4．6．3 邏輯回歸的代碼實現(xiàn) 66
本章小結(jié) 69
習題 69
實驗 70
第5章全連接神經(jīng)網(wǎng)絡(luò) 72
5．1 全連接神經(jīng)網(wǎng)絡(luò)概述 72
5．2 多分類問題 73
5．3 Softmax函數(shù)與交叉熵 74
5．4 反向傳播算法 76
5．4．1 鏈式求導法則 76
5．4．2 反向傳播算法實例 77
5．4．3 Sigmoid函數(shù)實例 77
5．5 計算機視覺工具包torchvision 78
5．6 全連接神經(jīng)網(wǎng)絡(luò)實現(xiàn)多分類 80
5．6．1 定義全連接神經(jīng)網(wǎng)絡(luò) 80
5．6．2 全連接神經(jīng)網(wǎng)絡(luò)識別MNIST手寫數(shù)字 81
本章小結(jié) 85
習題 85
實驗 87
第6章卷積神經(jīng)網(wǎng)絡(luò) 88
6．1 前饋神經(jīng)網(wǎng)絡(luò) 88
6．2 卷積神經(jīng)網(wǎng)絡(luò)的原理 89
6．2．1 卷積層 91
6．2．2 池化層 94
6．3 卷積神經(jīng)網(wǎng)絡(luò)的代碼實現(xiàn) 96
6．4 LeNet-5模型 99
6．4．1 LeNet-5模型的架構(gòu) 99
6．4．2 CIFAR 10數(shù)據(jù)集 101
6．4．3 LeNet-5模型的代碼實現(xiàn) 101
6．5 VGGNet模型 106
6．5．1 VGGNet模型簡介 106
6．5．2 VGGNet模型的代碼實現(xiàn) 107
6．6 ResNet模型 112
6．6．1 ResNet模型簡介 112
6．6．2 ResNet模型殘差學習單元的代碼實現(xiàn) 113
本章小結(jié) 114
習題 114
實驗 115
第7章循環(huán)神經(jīng)網(wǎng)絡(luò) 119
7．1 循環(huán)神經(jīng)網(wǎng)絡(luò)概述 119
7．2 循環(huán)神經(jīng)網(wǎng)絡(luò)的原理 120
7．3 長短時記憶神經(jīng)網(wǎng)絡(luò) 122
7．3．1 長短時記憶神經(jīng)網(wǎng)絡(luò)的原理 122
7．3．2 長短時記憶神經(jīng)網(wǎng)絡(luò)實例1 125
7．3．3 長短時記憶神經(jīng)網(wǎng)絡(luò)實例2 129
本章小結(jié) 136
習題 136
實驗 137
第8章生成式對抗網(wǎng)絡(luò) 138
8．1 生成式對抗網(wǎng)絡(luò)概述 138
8．1．1 生成式對抗網(wǎng)絡(luò)的原理 138
8．1．2 生成式對抗網(wǎng)絡(luò)的代碼實現(xiàn) 142
8．2 條件生成式對抗網(wǎng)絡(luò) 150
8．3 最小二乘生成式對抗網(wǎng)絡(luò) 151
本章小結(jié) 151
習題 151
實驗 152
附錄A 部分習題與實驗參考答案 153
A．1 第1章習題與實驗參考答案 153
A．2 第2章習題與實驗參考答案 155
A．2．1 習題參考答案 155
A．2．2 實驗參考答案 156
A．3 第3章習題與實驗參考答案 156
A．3．1 習題參考答案 156
A．3．2 實驗參考答案 156
A．4 第4章習題與實驗參考答案 166
A．4．1 習題參考答案 166
A．4．2 實驗參考答案 167
A．5 第5章習題與實驗參考答案 175
A．5．1 習題參考答案 175
A．5．2 實驗參考答案 175
A．6 第6章習題與實驗參考答案 178
A．6．1 習題參考答案 178
A．6．2 實驗參考答案 179
A．7 第7章習題與實驗參考答案 192
A．7．1 習題參考答案 192
A．7．2 實驗參考答案 193
A．8 第8章習題與實驗參考答案 196
A．8．1 習題參考答案 196
A．8．2 實驗參考答案 197
參考文獻 212