新書推薦：
《
水悖论（“同一颗星球”丛书）
》
售價：HK$
78.2
《
空间微电子. 第二卷.空间用集成电路设计
》
售價：HK$
250.7
《
罪恶与梦想：第二次世界大战个人史
》
售價：HK$
135.7
《
古希腊神话与传说全集（特装刷边版，精装彩插，德文原版直译，随书附赠古希腊神谱+诸神图）
》
售價：HK$
147.2
《
英伦历史漫步 探寻世外桃源之旅
》
售價：HK$
67.9
《
知识如何流动（三棱镜译丛）
》
售價：HK$
91.8
《
万有引力书系 江南困局 晚明士大夫的危机时刻
》
售價：HK$
89.7
《
正始十年（看司马懿父子如何打破“恐怖平衡”，实现统一！）
》
售價：HK$
78.2
|
| 編輯推薦： |
|
花朵识别、垃圾分类识别、短期电力负荷预测、空气质量预测、手写数字识别、人脸识别和情绪识别、图像风格迁移、糖尿病预测、基于GAN 生成动漫人物画像、基于大语言模型的自然语言处理、猴痘病毒识别、肺部感染识别、乐器声音音频识别，13个实战项目，带你快速掌握语音识别应用开发。
|
| 內容簡介： |
《PyTorch深度学习与企业级项目实战》立足于具体的企业级项目开发实践，以通俗易懂的方式详细介绍PyTorch深度学习的基础理论以及相关的必要知识，同时以实际动手操作的方式来引导读者入门人工智能深度学习。本书配套示例项目源代码、数据集、PPT课件与作者微信群答疑服务。
《PyTorch深度学习与企业级项目实战》共分18章，内容主要包括人工智能、机器学习和深度学习之间的关系，深度学习框架PyTorch 2.0的环境搭建，Python数据科学库，深度学习基本原理，PyTorch 2.0入门，以及13个实战项目：迁移学习花朵识别、垃圾分类识别、短期电力负荷预测、空气质量预测、手写数字识别、人脸识别与面部表情识别、图像风格迁移、糖尿病预测、基于GAN 生成动漫人物画像、基于大语言模型的NLP、猴痘病毒识别项目实战、X光肺部感染识别项目实战、乐器声音音频识别项目实战。
《PyTorch深度学习与企业级项目实战》适合PyTorch深度学习初学者、深度学习算法从业培训人员、深度学习应用开发人员阅读，也适合作为高等院校或高职高专深度学习课程的教材。
|
| 關於作者： |
|
宋立桓，资深IT专家，目前为国内某互联网头部企业的解决方案架构师，专注于云计算、大数据和人工智能。曾就职于微软中国有限公司。著有图书《Python深度学习从零开始学》《Cloudera Hadoop大数据平台实战指南》《MySQL性能优化和高可用架构实践》《AI制胜：机器学习极简入门》《元宇宙：互联网新未来》等。
|
| 目錄：
|
第1章 人工智能、机器学习与深度学习简介 1
1.1 什么是人工智能 1
1.2 人工智能的本质 2
1.3 人工智能相关专业人才就业前景 4
1.4 机器学习和深度学习 5
1.4.1 什么是机器学习 5
1.4.2 深度学习独领风骚 6
1.4.3 机器学习和深度学习的关系和对比 7
1.5 小白如何学深度学习 10
1.5.1 关于两个“放弃” 10
1.5.2 关于三个“必须” 10
第2章 深度学习框架PyTorch开发环境搭建 12
2.1 PyCharm的安装和使用技巧 12
2.2 在Windows环境下安装CPU版的PyTorch 16
2.3 在Windows环境下安装GPU版的PyTorch 18
2.3.1 确认显卡是否支持CUDA 18
2.3.2 安装CUDA 19
2.3.3 安装cuDNN 20
2.3.4 安装GPU版PyTorch 22
第3章 Python数据科学库 24
3.1 张量、矩阵和向量的区别 24
3.2 数组和矩阵运算库NumPy 26
3.2.1 列表和数组的区别 26
3.2.2 创建数组的方式 27
3.2.3 NumPy的算术运算 28
3.2.4 数组变形 30
3.3 数据分析处理库Pandas 31
3.3.1 Pandas数据结构Series 31
3.3.2 Pandas数据结构DataFrame 32
3.3.3 Pandas处理CSV文件 34
3.3.4 Pandas数据清洗 36
3.4 数据可视化库Matplotlib介绍 40
第4章 深度学习的基本原理 44
4.1 神经网络原理阐述 44
4.1.1 神经元和感知器 44
4.1.2 激活函数 47
4.1.3 损失函数 49
4.1.4 梯度下降和学习率 49
4.1.5 过拟合和Dropout 50
4.1.6 神经网络反向传播法 52
4.2 卷积神经网络 52
4.2.1 什么是卷积神经网络 52
4.2.2 卷积神经网络详解 53
4.2.3 卷积神经网络是如何训练的 56
4.2.4 卷积神经网络为什么能称霸图像识别领域 57
4.3 卷积神经网络经典模型架构简介 58
4.3.1 LeNet-5 59
4.3.2 AlexNet 59
4.3.3 VGG 60
4.3.4 GoogLeNet 61
4.3.5 ResNet 62
4.4 常用的模型评估指标 65
第5章 深度学习框架PyTorch入门 71
5.1 Tensor 71
5.1.1 Tensor简介 71
5.1.2 使用特定数据创建张量 72
5.1.3 使用随机数创建张量 73
5.1.4 张量基本操作 75
5.2 使用GPU加速 76
5.3 自动求导 77
5.4 PyTorch神经网络 79
5.4.1 构建神经网络 79
5.4.2 数据的加载和处理 81
5.4.3 模型的保存和加载 82
5.5 PyTorch入门实战：CIFAR-10图像分类 82
第6章 迁移学习花朵识别项目实战 90
6.1 迁移学习简介 90
6.2 什么是预训练模型 91
6.3 如何使用预训练模型 92
6.4 使用迁移学习技术实现花朵识别 93
6.5 迁移学结 99
第7章 垃圾分类识别项目实战 100
7.1 垃圾分类识别项目背景 100
7.2 垃圾分类背后的技术 101
7.3 垃圾图片数据集介绍 101
7.4 MnasNet模型介绍 102
7.5 垃圾分类识别项目代码分析 103
第8章 短期电力负荷预测项目实战 109
8.1 电力负荷预测项目背景 109
8.2 电力负荷预测的意义 110
8.3 电力负荷数据的获取 110
8.4 一维卷积1D-CNN 112
8.5 项目代码分析 113
第9章 空气质量识别分类与预测项目实战 119
9.1 空气质量识别分类与预测项目背景 119
9.2 主成分分析 120
9.3 聚类分析（K-Means） 122
9.4 项目代码分析 123
第10章 手写数字识别项目实战 128
10.1 手写数字识别项目背景 128
10.2 手写数字数据集 128
10.3 LeNet5模型构建 129
10.4 模型训练和测试 131
10.4.1 损失函数 131
10.4.2 优化器 131
10.4.3 超参数设置 132
10.4.4 性能评估 132
10.5 项目完整代码介绍 133
10.6 项目总结 137
第11章 人脸识别及表情识别实战 138
11.1 人脸识别 138
11.1.1 什么是人脸识别 138
11.1.2 人脸识别过程 139
11.2 人脸识别项目实战 143
11.2.1 人脸检测 143
11.2.2 人脸识别 145
11.3 面部表情识别项目实战 151
第12章 图像风格迁移项目实战 157
12.1 图像风格迁移简介 157
12.2 使用预训练的VGG-16模型进行图像风格迁移 160
12.2.1 算法思想 160
12.2.2 算法细节 161
12.2.3 代码实现 163
第13章 基于GAN生成动漫人物图像项目实战 170
13.1 什么是生成式对抗网络 170
13.2 生成式对抗网络的算法细节 172
13.3 循环生成对抗网络CycleGAN 174
13.4 基于生成式对抗网络生成动漫人物图像 177
第14章 糖尿病预测项目实战 183
14.1 糖尿病预测项目背景 183
14.2 糖尿病数据集介绍 184
14.3 LSTM-CNN模型 187
14.4 实战项目代码分析 189
第15章 基于大语言模型的自然语言处理项目实战 194
15.1 自然语言处理Embedding层详解 194
15.2 Transformer模型简介 197
15.3 预训练语言模型GPT 199
15.3.1 什么是预训练语言模型 199
15.3.2 GPT-2模型介绍 200
15.3.3 PyTorch-Transformers库介绍 201
15.4 基于Transformer模型的谣言检测系统的实现 202
15.4.1 谣言检测系统项目背景 202
15.4.2 谣言检测系统代码实战 203
15.5 基于GPT2在新闻文本分类项目中的实现 211
15.5.1 新闻文本分类项目背景 211
15.5.2 新闻文本分类代码实战 212
第16章 猴痘病毒识别项目实战 218
16.1 猴痘病毒识别项目背景 218
16.2 ResNet101模型 219
16.2.1 残差块 219
16.2.2 ResNet101网络结构 220
16.3 实战项目代码分析 220
第17章 X光肺部感染识别项目实战 226
17.1 X光肺部感染识别项目背景 226
17.2 项目所用到的图像分类模型 227
17.3 实战项目代码分析 230
第18章 乐器声音音频识别项目实战 237
18.1 音频与声音数字化 237
18.2 音频深度学习 238
18.3 音频处理的应用场景 240
18.4 实战项目代码分析 242
|
| 內容試閱：
|
我们正经历一场大革命，这场革命就是由大数据和强大的计算机计算能力发起的。2016年3月，震惊世界的AlphaGo以4:1的成绩战胜李世石，让越来越多的人了解到人工智能的魅力，也让更多人加入深度学习的研究。2023年5月，ChatGPT“横空出世”，开启了人工智能技术的新时代，进一步体现人工智能超乎想象的潜力。ChatGPT的爆火出圈使得开发它的人工智能实验室OpenAI以及创始人山姆·阿尔特曼获得全世界的关注，马斯克更是盛赞：ChatGPT非常好，我们离强大到危险的人工智能不远了。
想要自己实现 ChatGPT？那就先学习 PyTorch 吧！在人工智能领域中，自然语言处理技术已经成为一个重要的研究方向。而 ChatGPT作为自然语言处理技术中的一种模型，因为其在语言生成和理解方面的出色表现，已经引起了广泛的关注。但是，要想自己实现ChatGPT，需要先学习一些基础知识，其中PyTorch是一个非常重要的工具。
PyTorch是由Facebook 开发的一款开源深度学习框架，因其简单易用、灵活自由的特性，受到了广泛的欢迎。在PyTorch中，我们可以轻松地构建神经网络模型，实现模型的训练和推理，并且可以方便地进行模型调试和优化。
而 ChatGPT是一种基于Transformer 模型的自然语言处理技术。它通过预训练的方式让模型学习语言的生成和理解，从而可以高效地进行文本生成、文本理解、机器翻译等任务。ChatGPT的出现为自然语言处理领域带来了新的思路和方向。
但是，要想自己实现ChatGPT，需要先掌握一些基础知识，如深度学习、神经网络、自然语言处理等。同时，还需要熟悉PyTorch框架的使用，包括模型的构建、训练、推理等。此外，还需要掌握一些常用的自然语言处理算法和工具。
对于初学者来说，可以从一些基础的深度学习课程开始学习。同时，可以参考一些优秀的项目实战来进行实践操作。
总之，只有不断地学习和实践，才能掌握深度学习技术的精髓，实现自己的ChatGPT梦想。未来，随着深度学习技术的不断发展和完善，深度学习也将迎来更多的挑战和机遇。我们需要更加深入地研究和学习，才能在这个领域中不断取得新的突破和成就。
然而普通的程序员想要快速入门深度学习，就需要借助PyTorch深度学习框架。有了PyTorch，编写神经网络模型更简单、更高效。本书立足具体实践，以通俗易懂的方式详细介绍深度学习的基础理论以及相关的必要知识，同时以实际动手操作的方式来引导读者入门人工智能深度学习。
阅读本书的读者，只需学过Python语言基础知识，只要你想改变自己的现状，那么这本书就非常适合你。本书为那些非科班出身而又想半路“杀进”人工智能领域的程序员提供快速上手的参考指南。
本书提供详细的案例资源代码文件，可在清华大学出版社的网站上下载，以便于读者动手实践。
本书配套资源下载
本书配套示例源代码、数据集、PPT课件与作者微信群答疑服务，读者需要用微信扫描下面的二维码获取。如果阅读中发现问题或疑问，请联系booksaga@163.com，邮件主题写“PyTorch深度学习与企业级项目实战”。
本书作者
本书由宋立桓和宋立林创作。宋立桓，目前为国内某互联网头部企业的解决方案架构师，专注于云计算、大数据和人工智能。宋立林，曾指导多名学生获得全国青少年信息学奥林匹克竞赛（National Olympiad in Informatics，NOI）奖牌，培养的学生被清华大学、北京大学等名校录取的有上百人，许多学生进入了世界著名的高科技企业。宋立林老师具有丰富的教学经验，使得本书能够以生动的语言带你走进深度学习PyTorch框架的学习，全书阅读起来易懂而不枯燥。
致 谢
感谢我的妻子和女儿、你们是我心灵的港湾！
感谢我的父母，你们一直在默默地支持者我！
感谢我的朋友和同事，相互学习的同时彼此欣赏！
感谢清华大学出版社的夏毓彦老师帮助我出版了这本有意义的著作。
万事开头难，只有打开了一扇窗户，才能发现一个全新的世界，希望这本书能帮助新人打开深度学习的大门，让更多的人享受到人工智能时代到来的红利。
宋立桓
国内头部互联网企业解决方案架构师
大数据、人工智能布道师
2024年1月
|
|
購物車/收銀台(
0
) | 在線留言板
| 付款方式
| 運費計算
| 聯絡我們
| 幫助中心 |
加入書簽
HOME
新書上架
