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
 
開發者傳授PyTorch秘笈

開發者傳授PyTorch秘笈

沒有庫存
訂購需時10-14天
9786267146156
陳昭明
深智數位
2022年6月20日
400.00  元
HK$ 340  






ISBN:9786267146156
  • 規格:平裝 / 872頁 / 17 x 23 x 3.79 cm / 普通級 / 單色印刷 / 初版
  • 出版地:台灣


  • >

















    ∼ 2022 開發者唯一指定 PyTorch 祕笈!∼

    深度學習【必備數學與統計原理】?【圖表說明】?【PyTorch 實際應用】



      ★ 作者品質保證 ★

      經過眾多專家與學者試閱昭明老師著作皆給【5 顆星】滿分評價!



      ∼ 從基礎理解到 PyTorch 獨立開發,一氣呵成 ∼

      本書專為 AI 開發者奠定扎實基礎,從數學統計 ? 自動微分 ? 梯度下降 ? 神經層,由淺入深介紹深度學習的原理,並透過大量 PyTorch 框架應用實作各種演算法:



      ● CNN (卷積神經網路)

      ● YOLO (物件偵測)

      ● GAN (生成對抗網路)

      ● DeepFake (深度偽造)

      ● OCR (光學文字辨識)

      ● ANPR (車牌辨識)

      ● ASR (自動語音辨識)

      ● BERT / Transformer

      ● 臉部辨識

      ● Knowledge Graph (知識圖譜)

      ● NLP (自然語言處理)

      ● ChatBot

      ● RL (強化學習)

      ● XAI (可解釋的 AI)



    本書特色



      入門深度學習、實作各種演算法最佳教材!

      ★以【統計�數學】為出發點,介紹深度學習必備的數理基礎

      ★以【程式設計取代定理證明】,讓離開校園已久的在職者不會看到一堆數學符號就心生恐懼,縮短學習歷程,增進學習樂趣

      ★摒棄長篇大論,輔以【大量圖表說明】介紹各種演算法

      ★【完整的範例程式】及【各種演算法的延伸應用】!直接可在實際場域應用。

      ★介紹日益普及的【演算法與相關套件】的使用

      ★介紹 PyTorch 最新版本功能

      ★與另一本姊妹作《深度學習–最佳入門邁向 AI 專題實戰》搭配,可同時學會 PyTorch 與 TensorFlow

    ?


     





    第一篇�深度學習導論

    1 深度學習 (Deep Learning) 導論

    1-1人工智慧的三波浪潮

    1-2 AI的學習地圖

    1-3 TensorFlow vs. PyTorch

    1-4機器學習開發流程

    1-5開發環境安裝

    1-6 免費雲端環境開通

    ?

    2 神經網路 (Neural Network) 原理

    2-1必備的數學與統計知識

    2-2萬般皆自『迴歸』起

    2-3神經網路

    ?

    第二篇�PyTorch 基礎篇

    3 PyTorch 學習路徑與主要功能

    3-1 PyTorch學習路徑

    3-2張量運算

    3-3自動微分(Automatic Differentiation)

    3-4 神經層(Neural Network Layer)

    3-5 總結

    ?

    4 神經網路實作

    4-1撰寫第一支神經網路程式

    4-2? 模型種類

    4-3 神經層(Layer)

    4-4 激勵函數(Activation Functions)

    4-5? 損失函數(Loss Functions)

    4-6? 優化器(Optimizer)

    4-7? 效能衡量指標(Performance Metrics)

    4-8? 超參數調校(Hyperparameter Tuning)

    ?

    5 PyTorch 進階功能

    5-1? 資料集(Dataset)及資料載入器(DataLoader)

    5-2 TensorBoard

    5-3 模型佈署(Deploy)與TorchServe

    ?

    6 卷積神經網路 (Convolutional Neural Network)

    6-1卷積神經網路簡介

    6-2卷積(Convolution)

    6-3各式卷積

    6-4池化層(Pooling Layer)

    6-5? CNN模型實作

    6-6? 影像資料增補(Data Augmentation)

    6-7? 可解釋的AI(eXplainable AI, XAI)

    ?

    7 預先訓練的模型 (Pre-trained Model)

    7-1? 預先訓練模型的簡介

    7-2 採用完整的模型

    7-3 採用部分模型

    7-4 轉移學習(Transfer Learning)

    7-5? Batch Normalization說明

    ?

    第三篇�進階的影像應用

    8 物件偵測 (Object Detection)

    8-1 圖像辨識模型的發展

    8-2 滑動視窗(Sliding Window)

    8-3 方向梯度直方圖(HOG)

    8-4 R-CNN物件偵測

    8-5? R-CNN改良

    8-6 YOLO演算法簡介

    8-7 YOLO測試

    8-8 YOLO環境建置

    8-9 YOLO模型訓練

    8-10 YOLOv5模型訓練

    8-11 SSD演算法

    8-12 物件偵測的效能衡量指標

    8-13 總結

    ?

    9 進階的影像應用

    9-1? 語義分割(Semantic Segmentation)介紹

    9-2? 自動編碼器(AutoEncoder)

    9-3 語義分割(Semantic segmentation)實作

    9-4 實例分割(Instance Segmentation)

    9-5 風格轉換(Style Transfer) --人人都可以是畢卡索

    9-6 臉部辨識(Facial Recognition)

    9-7 光學文字辨識(OCR)

    9-8 車牌辨識(ANPR)

    9-9 卷積神經網路的缺點

    ?

    10 生成對抗網路 (GAN)

    10-1 生成對抗網路介紹

    10-2 生成對抗網路種類

    10-3 DCGAN

    10-4 Progressive GAN

    10-5 Conditional GAN

    10-6 Pix2Pix

    10-7 CycleGAN

    10-8 GAN挑戰

    10-9 深度偽造(Deepfake)

    ?

    第四篇�自然語言處理

    11 自然語言處理的介紹

    11-1 詞袋(BOW)與TF-IDF

    11-2 詞彙前置處理

    11-3 詞向量(Word2Vec)

    11-4 GloVe模型

    11-5 中文處理

    11-6 spaCy套件

    ?

    12 自然語言處理的演算法

    12-1 循環神經網路(RNN)

    12-2 PyTorch 內建文本資料集

    12-3 長短期記憶網路(LSTM)

    12-4自訂資料集

    12-5 時間序列預測

    12-6 Gate Recurrent Unit (GRU)

    12-7 股價預測

    12-8 注意力機制(Attention Mechanism)

    12-9 Transformer架構

    12-10 BERT

    12-11 Transformers套件

    12-12 總結

    ?

    13 聊天機器人 (ChatBot)

    13-1 ChatBot類別

    13-2 ChatBot設計

    13-3 ChatBot實作

    13-4 ChatBot工具套件

    13-5 Dialogflow實作

    13-6 結語

    ?

    14 語音辨識

    14-1語音基本認識

    14-2語音前置處理

    14-3 PyTorch語音前置處理

    14-4 PyTorch內建語音資料集

    14-5語音深度學習應用

    14-6自動語音辨識(Automatic Speech Recognition)

    14-7自動語音辨識實作

    14-8 結語

    ?

    第五篇�強化學習 (Reinforcement Learning)

    15 強化學習

    15-1 強化學習的基礎

    15-2 強化學習模型

    15-3 簡單的強化學習架構

    15-4 Gym套件

    15-5 Gym擴充功能

    15-6 動態規劃(Dynamic Programming)

    15-7 值循環(Value Iteration)

    15-8 蒙地卡羅(Monte Carlo)

    15-9 時序差分(Temporal Difference)

    15-10 井字遊戲

    15-11 連續型狀態變數與Deep Q-Learning演算法

    15-12 Actor Critic演算法

    15-13 實際應用案例

    15-14 其他演算法

    15-15 結論

    ?

    第六篇�圖神經網路 (GNN)

    16 圖神經網路 (GNN)

    16-1 圖形理論(Graph Theory)

    16-2 PyTorch Geometric(PyG)

    16-3 圖神經網路(GNN)

    16-4 結論

    ?









    為何撰寫本書




      從事機器學習教育訓練已屆五年,其間也在『IT邦幫忙』撰寫上百篇的文章(https://ithelp.ithome.com.tw/users/20001976/articles),從學員及讀者的回饋獲得許多寶貴意見,期望能將整個歷程集結成冊,同時,相關領域的進展也在飛速變化,過往的文章內容需要翻新,因此藉機再重整思緒,想一想如何能將演算法的原理解釋得更簡易清晰,協助讀者跨入AI的門檻,另外,也避免流於空談,盡量增加應用範例,希望能達到即學即用,不要有過多理論的探討。



      AI是一個將資料轉化為知識的過程,演算法就是過程中的生產設備,最後產出物是模型,再將模型植入各種硬體裝置,例如電腦、手機、智慧音箱、自駕車、醫療診斷儀器、…等,這些裝置就擁有特殊專長的智慧,再進一步整合各項技術就構建出智慧製造、智慧金融、智慧交通、智慧醫療、智慧城市、智慧家庭、…等應用系統。AI的應用領域如此的廣闊,個人精力有限,當然不可能具備十八般武藝,樣樣精通,惟有從基礎紮根,再擴及有興趣的領域,因此,筆者撰寫這本書的初衷,非常單純,就是希望讀者在紮根的過程中,貢獻一點微薄的力量。



      PyTorch vs. TensorFlow

      深度學習的初學者常會問『應該選擇PyTorch或 TensorFlow套件』,依筆者個人看法,PyTorch、TensorFlow好比倚天劍與屠龍刀,各有擅場,兩個套件的發展方向有所不同,例如在偵錯方面,PyTorch比較容易,但TensorFlow/Keras建模、訓練、預測都只要一行程式,另外,物件偵測主流演算法YOLO,第四版以TensorFlow開發,第五版則以PyTorch開發,若我們只懂TensorFlow,那就無法使用最新版了。



      PyTorch與TensorFlow基本設計概念是相通的,可以採用相同的approach,同時學會兩個套件,本書主要以PyTorch開發,另一本姊妹作『深度學習--最佳入門邁向AI專題實戰』,則以TensorFlow為主,兩相對照,可以發現要兼顧一點也不難,還可以比較彼此的優劣。



      本書主要的特點

      1.由於筆者身為統計人,希望能『以統計/數學為出發點』,介紹深度學習必備的數理基礎,但又不希望內文有太多數學公式的推導,讓離開校園已久的在職者看到一堆數學符號就心生恐懼,因此,嘗試以『程式設計取代定理證明』,縮短學習歷程,增進學習樂趣。



      2.PyTorch版本變動快速,幾乎每一、兩個月就更新一個小版本,並且不斷的推出新擴充模組,本書期望對PyTorch主體架構作完整性的介紹外,也儘可能對最新的模組功能作深入探討。



      3.各種演算法介紹以理解為主,輔以大量圖表說明,摒棄長篇大論。



      4.完整的範例程式及各種演算法的延伸應用,以實用為要,希望能觸發讀者靈感,能在專案或產品內應用。



      5.介紹日益普及的演算法與相關套件的使用,例如YOLO(物件偵測)、GAN(生成對抗網路)/DeepFake(深度偽造)、OCR(辨識圖像中的文字)、臉部辨識、BERT/Transformer、聊天機器人(ChatBot)、強化學習(Reinforcement Learning)、自動語音辨識(ASR) 、知識圖譜(Knowledge Graph)等。



      目標對象

      1.深度學習的入門者:必須熟悉Python程式語言及機器學習基本概念。

      2.資料工程師:以應用系統開發為職志,希望能應用各種演算法,進行實作。

      3.資訊工作者:希望能擴展深度學習知識領域。

      4.從事其他領域的工作,希望能一窺深度學習奧秘者。



      閱讀重點

      1.第一章介紹AI的發展趨勢,鑑古知今,瞭解前兩波AI失敗的原因,比較第三波發展的差異性。

      2.第二章介紹深度學習必備的統計/數學基礎,徹底理解神經網路求解的方法(梯度下降法)與原理。

      3.第三章介紹PyTorch基礎功能,包括張量(Tensor)運算、自動微分、神經層及神經網路模型。

      4.第四章開始實作,依照機器學習10項流程,以PyTorch撰寫完整的範例,包括各式的損失函數、優化器、效能衡量指標。

      5.第五章介紹PyTorch進階功能,包括各種工具,如資料集(Dataset)及資料載入器(DataLoader)、前置處理、TensorBoard以及TorchServe佈署工具,包括Web、桌面程式。

      6.第六~十章介紹圖像/視訊的演算法及各式應用。

      7.第十一~十四章介紹自然語言處理、語音及各式應用。

      8.第十五章介紹AlphaGo的基礎 -- 『強化學習』演算法。

      9.第十六章介紹 圖神經網路(Graph Neural Network, GNN)。



      本書範例程式碼全部收錄在github.com/mc6666/PyTorch_Book 。

     

      致謝

      因個人能力有限,還是有許多議題成為遺珠之憾,仍待後續的努力,過程中要感謝冠瑀在編  輯/校正/封面構想的盡心協助,也感謝深智出版社的大力支援,使本書得以順利出版,最後要謝謝家人的默默支持。



      內容如有疏漏、謬誤或有其他建議,歡迎來信指教(mkclearn@gmail.com)。



    ?




    其 他 著 作
    1. 深度學習 最佳入門邁向AI專題實戰
    2. 實用經絡針灸大全