PyTorch
·
深度學習目前最流行的框架是Tensorflow和PyTorch，市面上講解Tensorflow的實戰教材很多，但關于PyTorch的書卻很少。今天給大家推薦一本2019年最新出爐的新書《PyTorch實戰 - 一個解決問題的方法》。本書內容很新，由淺入深，全面講解了如何基于PyTorch框架搭建深度學習模型，進行模型部署的方方面面，是一本不可多得的PyTorch入門書籍。
本書介紹
人工智能產品和解決方案的開發最近已經成為一種常態；因此，對基于圖論的計算框架的需求正在上升。當建模框架是動態的、靈活的，并且能夠適應其他框架時，讓深度學習模型在實際應用中工作是可能的。
PyTorch最近加入了圖形計算工具/編程語言聯盟。針對以前框架的局限性，PyTorch承諾在部署深度學習模型以及使用卷積神經網絡、遞歸神經網絡、LSTMs和深度神經網絡的組合創建高級模型方面提供更好的用戶體驗。PyTorch是由Facebook的人工智能研究部門創建的，該部門旨在使模型開發過程簡單、直接、動態，這樣開發人員就不必擔心在編譯和執行模型之前聲明對象。它基于Torch框架，是Python的擴展。
這本書面向數據科學家、自然語言處理工程師、人工智能解決方案開發人員、從事圖形計算框架的現有從業人員以及圖論研究人員。這本書主要講解張量（Tensor）的基礎知識、計算、執行基于算術的運算、矩陣代數和使用PyTorch框架的基于統計分布式運算。
第3章和第4章提供了關于神經網絡基礎知識的詳細描述。探索先進的神經網絡，如卷積神經網絡、遞歸神經網絡和LSTMs。讀者將能夠使用PyTorch函數實現這些模型。第5章和第6章主要講解模型的微調、超參數調整以及生產環境中如何對現有PyTorch模型進行改進。讀者將學習如何選擇超級參數來微調模型。第7章主要講解自然語言處理相關的應用。深度學習模型及其在自然語言處理和人工智能中的應用是該行業最苛刻的技能之一。讀者將能夠在深度學習模型中對PyTorch實現的執行和性能進行測試，以執行和處理自然語言。能夠將PyTorch與其他基于圖形計算的深度學習編程工具進行比較。
付費5元查看完整內容
相關內容
掌握使用PyTorch實現深度學習解決方案的實踐方面，使用實踐方法理解理論和實踐。Facebook的人工智能研究小組開發了一個名為PyTorch的平臺，該平臺擁有良好的理論基礎和實用技能，為你在現實世界中應用深度學習做好了準備。
首先，您將了解PyTorch的深度學習是如何以及為什么成為一種具有開創性的框架，它帶有一組工具和技術來解決現實世界中的問題。接下來，這本書將為你打下線性代數、向量微積分、概率和最優化的數學基礎。在建立了這個基礎之后，您將繼續討論PyTorch的關鍵組件和功能，包括層、損失函數和優化算法。
您還將了解基于圖形處理單元(GPU)的計算，這對訓練深度學習模型是必不可少的。介紹了深度學習的前饋網絡、卷積神經網絡、循環神經網絡、長短時記憶網絡、自動編碼器網絡和生成對抗網絡等關鍵網絡結構。在許多訓練和優化深度學習模型的技巧的支持下，這個版本的Python深度學習解釋了使用PyTorch將這些模型帶到生產中的最佳實踐。
你會: 回顧機器學習的基本原理，如過擬合、欠擬合和正則化。 了解深度學習的基本原理，如前饋網絡，卷積神經網絡，遞歸神經網絡，自動微分和隨機梯度下降。 使用PyTorch深入應用線性代數 探索PyTorch的基本原理及其構建塊 使用調優和優化模型
付費5元查看完整內容
PyTorch是Facebook于2017年初在機器學習和科學計算工具Torch的基礎上，針對Python語言發布的一個全新的機器學習工具包，一經推出便受到了業界的廣泛關注和討論，目前已經成為機器學習從業人員的研發工具。
《PyTorch深度學習》是使用PyTorch構建神經網絡模型的實用指南，內容分為9章，包括PyTorch與深度學習的基礎知識、神經網絡的構成、神經網絡的知識、機器學習基礎知識、深度學習在電腦視覺中的應用、深度學習在序列數據和文本中的應用、生成網絡、現代網絡架構，以及PyTorch與深度學習的未來走向。
《PyTorch深度學習》適合對深度學習領域感興趣且希望一探PyTorch的業內人員閱讀；具備其他深度學習框架使用經驗的讀者，也可以通過本書掌握PyTorch的用法。
Vishnu Subramanian在領導、設計和實施大數據分析項目（人工智能、機器學習和深度學習）方面富有經驗。
擅長機器學習、深度學習、分布式機器學習和可視化等。 在零售、金融和旅行等行業頗具經驗，還善于理解和協調企業、人工智能和工程團隊之間的關系。
付費5元查看完整內容
這本書是為任何想學習如何開發機器學習系統的人準備的。我們將從理論和實踐兩方面涵蓋關于機器學習算法的最重要概念，并將使用Python編程語言中的Scikit-learn庫實現許多機器學習算法。在第一章中，您將學習機器學習最重要的概念，在下一章中，您將主要學習分類。在最后一章中，你將學習如何訓練你的模型。我假定你已經了解了編程的基礎知識。
付費5元查看完整內容
學習使用Python分析數據和預測結果的更簡單和更有效的方法
Python機器學習教程展示了通過關注兩個核心機器學習算法家族來成功分析數據，本書能夠提供工作機制的完整描述，以及使用特定的、可破解的代碼來說明機制的示例。算法用簡單的術語解釋，沒有復雜的數學，并使用Python應用，指導算法選擇，數據準備，并在實踐中使用訓練過的模型。您將學習一套核心的Python編程技術，各種構建預測模型的方法，以及如何測量每個模型的性能，以確保使用正確的模型。關于線性回歸和集成方法的章節深入研究了每種算法，你可以使用書中的示例代碼來開發你自己的數據分析解決方案。
機器學習算法是數據分析和可視化的核心。在過去，這些方法需要深厚的數學和統計學背景，通常需要結合專門的R編程語言。這本書演示了機器學習可以如何實現使用更廣泛的使用和可訪問的Python編程語言。
使用線性和集成算法族預測結果
建立可以解決一系列簡單和復雜問題的預測模型
使用Python應用核心機器學習算法
直接使用示例代碼構建自定義解決方案
機器學習不需要復雜和高度專業化。Python使用了更簡單、有效和經過良好測試的方法，使這項技術更容易為更廣泛的受眾所接受。Python中的機器學習將向您展示如何做到這一點，而不需要廣泛的數學或統計背景。
付費5元查看完整內容
自然語言處理(NLP)為解決人工智能方面的問題提供了無限的機會，使Amazon Alexa和谷歌翻譯等產品成為可能。如果您是NLP和深度學習的新手，那么本實用指南將向您展示如何使用PyTorch(一個基于python的深度學習庫)應用這些方法。
作者Delip Rao和Brian McMahon為您提供了關于NLP和深度學習算法的堅實基礎，并演示了如何使用PyTorch構建應用程序，其中包含針對您所面臨問題的文本的豐富表示。每一章包括幾個代碼示例和插圖。
- 探索計算圖表和監督學習范式
- 掌握PyTorch優化張量操作庫的基礎知識
- 對傳統的NLP概念和方法進行概述
- 學習建立神經網絡的基本概念
- 使用嵌入來表示單詞、句子、文檔和其他特性
- 探索序列預測并生成序列對序列模型
- 學習構建生產NLP系統的設計模式
//www.oreilly.com/library/view/natural-language-processing/9781491978221/
付費5元查看完整內容
利用實用的、循序漸進的方法運用計算機視覺和機器學習概念開發商業和工業應用。
這本書包括四個主要部分，從設置編程環境開始。第1節介紹了圖像和視頻處理的基礎知識，并提供了如何操作和從圖像中提取有用信息的代碼示例。您將主要使用OpenCV和Python來處理本節中的示例。
第2節描述機器學習和神經網絡的概念應用于計算機視覺。你將學習神經網絡的不同算法，比如convolutional neural network (CNN)， region-based convolutional neural network (R-CNN)， YOLO。在本節中，您還將學習如何訓練、調整和管理計算機視覺的神經網絡。第3節提供了逐步發展商業和工業應用的例子，如視頻監控中的面部識別和制造中的表面缺陷檢測。
最后一部分是關于在云基礎設施(如Amazon AWS、谷歌云平臺和Microsoft Azure)上訓練大量圖像的神經網絡。它引導您完成在基于gpu的云基礎設施上為計算機視覺訓練分布式神經網絡的過程。當您讀完《使用人工神經網絡構建計算機視覺應用程序》并完成代碼示例時，您將開發出一些使用深度學習的計算機視覺的真實使用案例。
你將學到什么
- 運用圖像處理、操作和特征提取技術
- 處理計算機視覺的各種深度學習算法
- 訓練、管理和調優CNNs和對象檢測模型的超參數，如R-CNN、SSD、YOLO
- 使用Keras和TensorFlow建立神經網絡模型
- 發現在商業和工業中實施計算機視覺應用的最佳實踐
- 在基于gpu的云基礎設施上訓練分布式模型
這本書是給誰的
- 具有Python編程知識的數據科學家、分析師、機器學習和軟件工程專業人員。
付費5元查看完整內容
本書通過提供真實的案例研究和示例，為使用Python庫進行機器學習提供了堅實的基礎。它涵蓋了諸如機器學習基礎、Python入門、描述性分析和預測分析等主題。包括高級機器學習概念，如決策樹學習、隨機森林、增強、推薦系統和文本分析。這本書在理論理解和實際應用之間采取了一種平衡的方法。所有的主題都包括真實世界的例子，并提供如何探索、構建、評估和優化機器學習模型的逐步方法。
付費5元查看完整內容
注冊地址： 北京市海淀區羊坊店路18號2幢3層301-191