在人工智能时代，机器学习技术日新月异，深度学习是机器学习领域中一个全新的研究方向和应用热点，它是机器学习的一种，也是实现人工智能的必由之路。深度学习的出现不仅推动了机器学习的发展，而且促进了人工智能技术的革新，已经被成功应用在语音识别、图像分类识别、地球物理、大语言模型等领域，具有巨大的发展潜力和价值。
本书是一本带领读者快速学习PyTorch并将其运用于深度学习建模方向的入门指南，重点介绍了基于PyTorch的数值建模、图像建模、文本建模、音频建模、模型可视化和大语言模型等。全书的重点是动手学，试图带领读者在实操中学习，为此全书每一章基本上都精心设计了动手练习案例，同时还给出了上机练习题，上机练习题给出了实现代码的操作步骤，读者只需要按步骤操作即可，在动手中理解概念、发现问题、解决问题，另外，本书所有代码都给出了详细的注解和说明，大大降低了读者理解代码的困惑，希望读者能够理解编者的想法。
本书内容介绍
本书共分11章，各章内容概述如下：
第1章是深度学习和PyTorch入门知识，内容包括深度学习概述、搭建开发环境以及应用 场景。
第2章介绍PyTorch与数学基础，内容包括函数、微分、数理统计、矩阵等基础知识及其 案例。
第3章介绍数据预处理及常用工具，内容包括NumPy、Matplotlib、数据清洗、特征工程、深度学习解决问题的一般步骤等。
第4章介绍PyTorch相关基本概念，内容包括张量的创建、激活函数、损失函数、优化器等。
第5章介绍PyTorch深度神经网络，内容包括神经网络概述、卷积神经网络、循环神经网 络等。
第6章介绍PyTorch数据建模，内容包括回归分析、聚类分析、主成分分析、模型评估与调优等。
第7章介绍PyTorch图像建模，内容包括图像分类技术、图像识别技术、图像分割技术及其案例。
第8章介绍PyTorch文本建模，内容包括Word2Vec模型、Seq2Seq模型、Attention模型及其案例。
第9章介绍PyTorch音频建模，内容包括音频处理及应用、音频特征提取、音频建模案例。
第10章介绍PyTorch模型可视化，内容包括Visdom、TensorBoard、Pytorchviz、Netron。
第11章介绍从深度学习到大语言模型，内容包括大语言模型的原理、主要的大语言模型以及常用的模型预训练与微调技术。
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
