【导读】Pytorch官网Pytorch.org最近发布了一本开源书深度学习《Deep Learning with PyTorch》,共522页pdf,限时开放,涵盖了深度学习和Pytorch库的介绍,预训练网络,张量,学习机制,数据神经网络学习。书里面有详实的代码,是入门学习Pytorch深度学习必备器物,不得不看!

网址: https://pytorch.org/deep-learning-with-pytorch

《PyTorch 深度学习》旨在指导人们开始自己的 AI/机器学习开发之路,全书总共有15 个章节

深度学习与PyTorch教你创建神经网络和深度学习系统与PyTorch。这本实用的书将快速引导您从零开始构建一个真实世界的示例:一个肿瘤图像分类器。一路上,它涵盖了整个DL管道的最佳实践,包括PyTorch张量API、用Python加载数据、监控培训和可视化结果。在涵盖了基础知识之后,本书将带您进入一个更大的项目之旅。这本书的核心是一个为癌症检测而设计的神经网络。您将发现用有限的输入训练网络的方法,并开始处理数据以获得一些结果。您将筛选不可靠的初始结果,并专注于如何诊断和修复神经网络中的问题。最后,您将了解通过使用增强数据进行训练、改进模型体系结构以及执行其他微调来改善结果的方法。

使用PyTorch的深度学习提供了一个详细的、实际操作的介绍,本书介绍如何使用PyTorch构建和训练神经网络,PyTorch是一个流行的开源机器学习框架。这本书包括:

成为VIP会员查看完整内容
0
48

相关内容

掌握使用PyTorch实现深度学习解决方案的实践方面,使用实践方法理解理论和实践。Facebook的人工智能研究小组开发了一个名为PyTorch的平台,该平台拥有良好的理论基础和实用技能,为你在现实世界中应用深度学习做好了准备。

首先,您将了解PyTorch的深度学习是如何以及为什么成为一种具有开创性的框架,它带有一组工具和技术来解决现实世界中的问题。接下来,这本书将为你打下线性代数、向量微积分、概率和最优化的数学基础。在建立了这个基础之后,您将继续讨论PyTorch的关键组件和功能,包括层、损失函数和优化算法。

您还将了解基于图形处理单元(GPU)的计算,这对训练深度学习模型是必不可少的。介绍了深度学习的前馈网络、卷积神经网络、循环神经网络、长短时记忆网络、自动编码器网络和生成对抗网络等关键网络结构。在许多训练和优化深度学习模型的技巧的支持下,这个版本的Python深度学习解释了使用PyTorch将这些模型带到生产中的最佳实践。

你会: 回顾机器学习的基本原理,如过拟合、欠拟合和正则化。 了解深度学习的基本原理,如前馈网络,卷积神经网络,递归神经网络,自动微分和随机梯度下降。 使用PyTorch深入应用线性代数 探索PyTorch的基本原理及其构建块 使用调优和优化模型

成为VIP会员查看完整内容
0
163

PyTorch非常容易学习,并提供了一些高级特性,比如支持多处理器,以及分布式和并行计算。PyTorch有一个预训练模型库,为图像分类提供开箱即用的解决方案。PyTorch提供了进入尖端深度学习的最易访问的切入点之一。它与Python编程语言紧密集成,因此对于Python程序员来说,编写它似乎是自然和直观的。独特的、动态的处理计算图的方法意味着PyTorch既高效又灵活。

本书是为那些想要使用PyTorch进行深度学习的人而写的。目的是通过直接实验让您了解深度学习模型。这本书非常适合那些熟悉Python,了解一些机器学习基础知识,并正在寻找一种方法来有效地发展他们的技能的人。这本书将集中在最重要的特征和给出实际的例子。它假设您有Python的工作知识,并熟悉相关的数学思想,包括线性代数和微分。这本书提供了足够的理论,让你开始和运行,不需要严格的数学理解。在本书结束时,您将有一个深度学习系统的实用知识,并能够应用PyTorch模型来解决您关心的问题。

成为VIP会员查看完整内容
0
107

PyTorch是Facebook于2017年初在机器学习和科学计算工具Torch的基础上,针对Python语言发布的一个全新的机器学习工具包,一经推出便受到了业界的广泛关注和讨论,目前已经成为机器学习从业人员的研发工具。

《PyTorch深度学习》是使用PyTorch构建神经网络模型的实用指南,内容分为9章,包括PyTorch与深度学习的基础知识、神经网络的构成、神经网络的知识、机器学习基础知识、深度学习在电脑视觉中的应用、深度学习在序列数据和文本中的应用、生成网络、现代网络架构,以及PyTorch与深度学习的未来走向。

《PyTorch深度学习》适合对深度学习领域感兴趣且希望一探PyTorch的业内人员阅读;具备其他深度学习框架使用经验的读者,也可以通过本书掌握PyTorch的用法。

Vishnu Subramanian在领导、设计和实施大数据分析项目(人工智能、机器学习和深度学习)方面富有经验。

擅长机器学习、深度学习、分布式机器学习和可视化等。 在零售、金融和旅行等行业颇具经验,还善于理解和协调企业、人工智能和工程团队之间的关系。

成为VIP会员查看完整内容
0
135

题目: Deep Learning with PyTorch

摘要: 《PyTorch 深度学习》旨在指导人们开始自己的 AI/机器学习开发之路,全书总共只有 5 个章节, PyTorch的深度学习提供了一个详细的、实践性的介绍,介绍了使用PyTorch构建和训练神经网络,PyTorch是一个流行的开源机器学习框架。这本书包括:

  • 深度学习与PyTorch图书馆简介

  • 预训练网络

  • 张量

  • 学习机制

  • 用神经网络拟合数据

第一章是入门内容介绍,主要介绍了什么是 PyTorch和为什么我们要选择 PyTorch,以及对本书内容层次的总体介绍,让刚刚入门的读者能够开门见山,大量的插图介绍了深度学习和Pytorch的概念。

第二章则从张量这一深度学习的基本概念开始,介绍了张量的相关数学机制,以及深度学习是怎样处理数据,完成学习这一过程的。

第三章开始则通过张量和真实世界的数据进行联系,说明了如何使用张量表示表格、时序、图像和文本等数据。

第四章则进入机器学习机制的介绍,说明了深度学习的权重更新和反向传播原理。

第五章主要集中在使用 PyTorch 构建神经网络并拟合数据分布。有了前几章的理论基础,这一章会增加很多代码方面实践介绍。

作者简介:

Eli Stevens过去15年在硅谷做软件工程师,过去7年在一家制造医疗设备软件的初创公司担任首席技术官。

Luca Antiga是位于意大利贝加莫的一家人工智能工程公司的联合创始人兼首席执行官,也是Pythorch的定期撰稿人。

成为VIP会员查看完整内容
0
307

《深度学习框架PyTorch:入门与实践》从多维数组Tensor开始,循序渐进地带领读者了解PyTorch各方面的基础知识。结合基础知识和前沿研究,带领读者从零开始完成几个经典有趣的深度学习小项目,包括GAN生成动漫头像、AI滤镜、AI写诗等。《深度学习框架PyTorch:入门与实践》没有简单机械地介绍各个函数接口的使用,而是尝试分门别类、循序渐进地向读者介绍PyTorch的知识,希望读者对PyTorch有一个完整的认识。本书内容由浅入深,无论是深度学习的初学者,还是头次接触PyTorch的研究人员,都能在学习本书的过程中快速掌握PyTorch。即使是有一定PyTorch使用经验的用户,也能够从本书中获得对PyTorch不一样的理解。

代码链接:
https://github.com/chenyuntc/PyTorch-book

成为VIP会员查看完整内容
0
107
小贴士
相关VIP内容
专知会员服务
50+阅读 · 1月6日
专知会员服务
163+阅读 · 2021年5月21日
专知会员服务
100+阅读 · 2021年5月20日
专知会员服务
135+阅读 · 2021年4月3日
专知会员服务
90+阅读 · 2020年10月30日
专知会员服务
111+阅读 · 2020年7月11日
【经典书】Python数据数据分析第二版,541页pdf
专知会员服务
128+阅读 · 2020年3月12日
【书籍】深度学习框架:PyTorch入门与实践(附代码)
专知会员服务
107+阅读 · 2019年10月28日
相关资讯
PyTorch 官方推荐了一份 60 分钟的深度学习指南
技术最前线
12+阅读 · 2019年10月17日
PyTorch  深度学习新手入门指南
机器学习算法与Python学习
6+阅读 · 2019年9月16日
Github项目推荐 | PyTorch 中文手册 (pytorch handbook)
强推!《PyTorch中文手册》来了
新智元
30+阅读 · 2019年2月14日
快速上手笔记,PyTorch模型训练实用教程(附代码)
教程 | PyTorch经验指南:技巧与陷阱
机器之心
9+阅读 · 2018年7月30日
手把手教 | 深度学习库PyTorch(附代码)
数据派THU
24+阅读 · 2018年3月15日
相关论文
Hongbin Ye,Ningyu Zhang,Zhen Bi,Shumin Deng,Chuanqi Tan,Hui Chen,Fei Huang,Huajun Chen
4+阅读 · 2021年10月1日
A Survey on Bayesian Deep Learning
Hao Wang,Dit-Yan Yeung
47+阅读 · 2020年7月2日
Yantao Shen,Yuanjun Xiong,Wei Xia,Stefano Soatto
5+阅读 · 2020年3月26日
Multi-Label Learning with Label Enhancement
Ruifeng Shao,Ning Xu,Xin Geng
4+阅读 · 2019年4月16日
Physical Primitive Decomposition
Zhijian Liu,William T. Freeman,Joshua B. Tenenbaum,Jiajun Wu
3+阅读 · 2018年9月13日
Antoine J. -P. Tixier
10+阅读 · 2018年8月30日
J. B. Heaton,N. G. Polson,J. H. Witte
4+阅读 · 2018年1月14日
William W. Cohen,Fan Yang,Kathryn Rivard Mazaitis
6+阅读 · 2017年7月17日
Top
微信扫码咨询专知VIP会员