庫存狀況
「香港二樓書店」讓您 愛上二樓●愛上書
我的購物車 加入會員 會員中心 常見問題 首頁
「香港二樓書店」邁向第一華人書店
登入 客戶評價 whatsapp 常見問題 加入會員 會員專區 現貨書籍 現貨書籍 購物流程 運費計算 我的購物車 聯絡我們 返回首頁
香港二樓書店 > 今日好書推介
   
區政新角度
  • 定價64.00元
  • 8 折優惠:HK$51.2
  • 放入購物車
二樓書籍分類
 
核心開發者親授!PyTorch深度學習攻略

核心開發者親授!PyTorch深度學習攻略

沒有庫存
訂購需時10-14天
9789863126737
Eli Stevens,Luca Antiga,Thomas Viehmann
黃駿
旗標
2021年7月23日
333.00  元
HK$ 299.7  






ISBN:9789863126737
  • 叢書系列:Learning by doing 從做中學系列
  • 規格:平裝 / 656頁 / 17 x 23 x 3.2 cm / 普通級 / 部份全彩 / 初版
  • 出版地:台灣
    Learning by doing 從做中學系列


  • 電腦資訊 > 概論/科技趨勢 > 人工智慧/機器學習

















    【PyTorch官方唯一推薦教材!】

    ?

      深度學習是近年來非常夯的一個領域,發展的速度也十分的驚人。曾經,深度學習的函式庫五花八門,各自都具備了一定的重要性。如今,使用者開始往兩大函式庫,PyTorch及Tensorflow靠攏,進而鞏固了它們的地位。在2018年以前,Tensorflow在國際學術頂尖會議中的論文引用率都遠超PyTorch。自2019年起,PyTorch就奮起直追,越來越受到學者們的喜愛。在ICLR 2020和CVPR 2020會議中,使用PyTorch的論文數已超越Tensorflow。由此可見,掌握PyTorch,是勢在必行的!

    ?

      PyTorch最為人稱道就是語法和Python相近,一樣簡潔好學,與Numpy、Pandas函式庫的相容性也很好,並支援動態運算圖(dynamic computational graph),有助於模型的優化,對記憶體的使用也非常有效率。本書作者為PyTorch核心開發者,深知PyTorch的強大之處,並擁有豐富的深度學習經驗,將帶你從無到有,利用PyTorch建構出深度學習模型,並用其來解決現實問題的能力。

    ?

      與其他深度學習框架書相比,本書的最大特色為:利用數個章節來實作肺癌偵測專案。在實作該專案的過程中,你可以實際體會到如何充分把所學應用出來,並針對過程中所遇到的問題來找出解方。更重要的是,作者的寶貴經驗會讓你少走許多彎路,快速培養實戰能力!

    ?

      閱讀完本書後,你將了解:

      ★深度學習的基本資料結構:張量(tensor)

      ★如何實作模組及損失函數

      ★如何從PyTorch Hub中載入預先訓練的模型

      ★在有限的資料下,訓練模型的方法

      ★分析測試結果,並找出現有模型中的問題

      ★透過擴增資料等方法,提高模型的表現

    ?

      如果你對深度學習非常有熱忱,並且已經具備一定的Python能力,願意跟著書中內容動手嘗試,那你就是本書最適合的讀者!?

    ?

    本書特色

    ?

      ◎作者為PyTorch核心開發者,能以更全面的視角來進行教學

      ◎實作內容豐富,花費大量篇幅處理肺癌偵測專案

      ◎時刻提點實作專案時可能遇到的陷阱,讓讀者少走彎路

      ◎各章節的內容皆搭配程式範例,讀者可實際演練來加深印象

      ◎本書由施威銘研究室監修,書中針對原書進行大量補充,並適當添加註解,幫助讀者更好地理解內容

     

    專家推薦

    ?

      ●Soumith Chintala,PyTorch 共同開發者 & Facebook AI Research 研究員:?

      『這本書出版後,我們終於有了關於 PyTorch 的權威著作,它具體地說明了基礎的知識和概念。』?

    ?

      ●Mathieu Zhang,NVIDIA 深度學習技術經理:?

      『將深度學習切割成易於讀者消化的區塊,再以程式範例作為輔助。』

    ?

      ●Philippe Van Bergen,PC Consulting 雲端架構師:

      『具及時性、實務性及透徹性的一本書。你應該把它放在你的電腦旁,而不只是把它放在書架上。』

    ?

      ●Orlando Alejo Mendez Morales,Experian 軟體分析師:

      『這本書提供了非常實用的深度學習概述,適合做為教學資源。』



     





    ★第一篇 PyTorch的核心

    ☆第1章:深度學習與PyTorch函式庫

    1-1 深度學習的演變?

    1-2 將PyTorch應用到深度學習中?

    1-3 為什麼要使用PyTorch??

    1-4 PyTorch如何協助深度學習專案的開發?

    1-5 軟硬體需求?



    ☆第2章:預先訓練的模型

    2-1 利用預先訓練的模型來辨識圖像中的物體

    2-2 利用預先訓練的模型來生成『假』圖片

    2-3 能描述場景的神經網路模型?

    2-4 Torch Hub?

    2-5 結論?



    ☆第3章:介紹張量

    3-1 浮點數的世界?

    3-2 張量:多維陣列?

    3-3 利用索引值操作張量?

    3-4 為張量命名?

    3-5 張量的元素型別?

    3-6 其他常用的張量功能?

    3-7 張量的儲存原理?

    3-8 大小 、偏移及步長?

    3-9 把張量移到GPU上?

    3-10 與NumPy的互通性?

    3-11 通用的張量(可適用於各種硬體)?

    3-12 將張量序列化(長期儲存)?

    3-13 結論?



    ☆第4章:用張量表示現實中的資料

    4-1 圖片資料?

    4-2 3D立體圖片資料?

    4-3 表格資料?

    4-4 時間序列資料?

    4-5 表示文字資料?

    4-6 結論?



    ☆第5章:學習的機制?

    5-1 學習的流程?

    5-2 學習就是在估算參數?

    5-3 以降低損失為目標?

    5-4 梯度下降演算法?

    5-5 用PyTorch的autograd進行反向傳播

    5-6 結論?



    ☆第6章:使用神經網路來擬合資料

    6-1 神經元?

    6-2 PyTorch的nn模組?

    6-3 進入正題:神經網路?

    6-4 結論



    ☆第7章:從圖片中學習

    7-1 由小型圖片組成的資料集?

    7-2 區分鳥和飛機?

    7-3 結論?



    ☆第8章:卷積神經網路

    8-1 關於卷積?

    8-2 卷積的實際應用?

    8-3 建立nn.Module的子類別?

    8-4 訓練卷積網路?

    8-5 模型設計的進階技巧?

    8-6 結論?



    ★第2篇 從現實世界中的圖片學習:肺部腫瘤偵測專案

    ☆第9章:利用PyTorch對抗癌症

    9-1 應用實例的介紹?

    9-2 為大型專案做準備?

    9-3 CT掃描到底是什麼??

    9-4 專案概述:肺部腫瘤偵測器?

    9-5 結論?



    ☆第10章:匯入原始資料並整合為資料集

    10-1 原始CT資料

    10-2 分析LUNA的標註資料?

    10-3 匯入CT掃描資料?

    10-4 定位結節?

    10-5 簡單的資料集實作?

    10-6 結論?



    ☆第11章:訓練模型分辨結節的真假

    11-1 最基礎的模型與訓練迴圈?

    11-2 程式的進入點?

    11-3 訓練前的設定與初始化?

    11-4 我們的首個神經網路?

    11-5 模型的訓練與驗證?

    11-6 輸出表現評估資料

    11-7 執行訓練程式?

    11-8 評估模型表現:得到99-7%的分類準確率就代表結束了嗎??

    11-9 使用TensorBoard畫出訓練評估指標?

    11-10 為什麼模型沒有學會偵測結節??

    11-11 結論?



    ☆第12章:利用評估指標和資料擴增來改善訓練成效

    12-1 模型改善的大方向

    12-2 偽陽性與偽陰性

    12-3 陽性與陰性的視覺化描述

    12-4 理想的資料集長什麼樣子?

    12-5 過度配適

    12-6 利用資料擴增來防止過度配適

    12-7 結論



    ☆第13章:利用『分割』找出疑似結節的組織

    13-1 在專案中加入第二個模型

    13-2 不同類型的資料分割

    13-3 語義分割:像素層級的分類

    13-4 更改模型以執行資料分割

    13-5 更改資料集以執行資料分割

    13-6 更改訓練程式以執行資料分割

    13-7 最終結果

    13-8 結論



    ☆第14章:端到端結節偵測(與未來方向)

    14-1 迎向終點線

    14-2 保持驗證資料集的獨立性

    14-3 連接『分割模型』與『分類模型』

    14-4 量化驗證

    14-5 預測惡性結節

    14-6 利用模型進行診斷

    14-7 補充資源與資料

    14-8 結論





    其 他 著 作