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
50

相关内容

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
47
深度学习目前最流行的框架是Tensorflow和PyTorch,市面上讲解Tensorflow的实战教材很多,但关于PyTorch的书却很少。今天给大家推荐一本2019年最新出炉的新书《PyTorch实战 - 一个解决问题的方法》。本书内容很新,由浅入深,全面讲解了如何基于PyTorch框架搭建深度学习模型,进行模型部署的方方面面,是一本不可多得的PyTorch入门书籍。

本书介绍

人工智能产品和解决方案的开发最近已经成为一种常态;因此,对基于图论的计算框架的需求正在上升。当建模框架是动态的、灵活的,并且能够适应其他框架时,让深度学习模型在实际应用中工作是可能的。

PyTorch最近加入了图形计算工具/编程语言联盟。针对以前框架的局限性,PyTorch承诺在部署深度学习模型以及使用卷积神经网络、递归神经网络、LSTMs和深度神经网络的组合创建高级模型方面提供更好的用户体验。PyTorch是由Facebook的人工智能研究部门创建的,该部门旨在使模型开发过程简单、直接、动态,这样开发人员就不必担心在编译和执行模型之前声明对象。它基于Torch框架,是Python的扩展。

这本书面向数据科学家、自然语言处理工程师、人工智能解决方案开发人员、从事图形计算框架的现有从业人员以及图论研究人员。这本书主要讲解张量(Tensor)的基础知识、计算、执行基于算术的运算、矩阵代数和使用PyTorch框架的基于统计分布式运算。

第3章和第4章提供了关于神经网络基础知识的详细描述。探索先进的神经网络,如卷积神经网络、递归神经网络和LSTMs。读者将能够使用PyTorch函数实现这些模型。第5章和第6章主要讲解模型的微调、超参数调整以及生产环境中如何对现有PyTorch模型进行改进。读者将学习如何选择超级参数来微调模型。第7章主要讲解自然语言处理相关的应用。深度学习模型及其在自然语言处理和人工智能中的应用是该行业最苛刻的技能之一。读者将能够在深度学习模型中对PyTorch实现的执行和性能进行测试,以执行和处理自然语言。能够将PyTorch与其他基于图形计算的深度学习编程工具进行比较。
成为VIP会员查看完整内容
0
64

近年来,自然语言处理的研究方法取得了一些突破。这些突破来源于两个新的建模框架以及在计算和词汇资源的可用性的改进。在这个研讨会小册子中,我们将回顾这些框架,以一种可以被视为现代自然语言处理开端的方法论开始:词嵌入。我们将进一步讨论将嵌入式集成到端到端可训练方法中,即卷积神经网络和递归神经网络。这本小册子的第二章将讨论基于注意力的模型的影响,因为它们是最近大多数最先进的架构的基础。因此,我们也将在本章中花很大一部分时间讨论迁移学习方法在现代自然语言处理中的应用。最后一章将会是一个关于自然语言生成的说明性用例,用于评估最先进的模型的训练前资源和基准任务/数据集。

https://compstat-lmu.github.io/seminar_nlp_ss20/

在过去的几十年里,人工智能技术的重要性和应用不断得到关注。在当今时代,它已经与构成人类塑造环境的大部分环境密不可分。因此,商业、研究和开发、信息服务、工程、社会服务和医学等无数部门已经不可逆转地受到人工智能能力的影响。人工智能有三个主要领域组成了这项技术:语音识别、计算机视觉和自然语言处理(见Yeung (2020))。在这本书中,我们将仔细研究自然语言处理(NLP)的现代方法。

这本小册子详细介绍了用于自然语言处理的现代方法,如深度学习和迁移学习。此外,本研究亦会研究可用于训练自然语言处理任务的资源,并会展示一个将自然语言处理应用于自然语言生成的用例。

为了分析和理解人类语言,自然语言处理程序需要从单词和句子中提取信息。由于神经网络和其他机器学习算法需要数字输入来进行训练,因此应用了使用密集向量表示单词的词嵌入。这些通常是通过有多个隐藏层的神经网络学习的,深度神经网络。为了解决容易的任务,可以应用简单的结构神经网络。为了克服这些简单结构的局限性,采用了递归和卷积神经网络。因此,递归神经网络用于学习不需要预先定义最佳固定维数的序列的模型,卷积神经网络用于句子分类。第二章简要介绍了NLP中的深度学习。第三章将介绍现代自然语言处理的基础和应用。在第四章和第五章中,将解释和讨论递归神经网络和卷积神经网络及其在自然语言处理中的应用。

迁移学习是每个任务或领域的学习模型的替代选择。在这里,可以使用相关任务或领域的现有标记数据来训练模型,并将其应用到感兴趣的任务或领域。这种方法的优点是不需要在目标域中进行长时间的训练,并且可以节省训练模型的时间,同时仍然可以(在很大程度上)获得更好的性能。迁移学习中使用的一个概念是注意力,它使解码器能够注意到整个输入序列,或自注意,它允许一个Transformer 模型处理所有输入单词,并建模一个句子中所有单词之间的关系,这使得快速建模一个句子中的长期依赖性成为可能。迁移学习的概念将在小册子的第6章简要介绍。第七章将通过ELMo、ULMFiT和GPT模型来描述迁移学习和LSTMs。第八章将详细阐述注意力和自注意力的概念。第九章将迁移学习与自注意力相结合,介绍了BERT模型、GTP2模型和XLNet模型。

为NLP建模,需要资源。为了找到任务的最佳模型,可以使用基准测试。为了在基准实验中比较不同的模型,需要诸如精确匹配、Fscore、困惑度或双语评估替补学习或准确性等指标。小册子的第十章简要介绍了自然语言处理的资源及其使用方法。第11章将解释不同的指标,深入了解基准数据集SQuAD、CoQa、GLUE和SuperGLUE、AQuA-Rat、SNLI和LAMBADA,以及可以找到资源的预训练模型和数据库,如“带代码的论文”和“大坏的NLP数据库”。

在小册子的最后一章中,介绍了生成性NLP处理自然语言生成,从而在人类语言中生成可理解的文本。因此,不同的算法将被描述,聊天机器人和图像字幕将被展示,以说明应用的可能性。

本文对自然语言处理中各种方法的介绍是接下来讨论的基础。小册子的各个章节将介绍现代的NLP方法,并提供了一个更详细的讨论,以及各种示例的潜力和限制。

成为VIP会员查看完整内容
0
90

自然语言理解是人工智能的一个重要分支,主要研究如何利用电脑来理解和生成自然语言。本书重点介绍了自然语言理解所涉及的各个方面,包括语法分析、语义分析、概念分析、语料库语言学、词汇语义驱动、中间语言、WordNet、词汇树邻接文法、链接文法、基于语段的机器翻译方法、内识别与文本过滤、机器翻译的评测等,既有对基础知识的介绍,又有对新研究进展的综述,同时还结合了作者(JamesPustejovsky,生成词库理论的创始人)多年的研究成果。本书内容全面、详略得当,结合实例讲解,使读者更易理解。

编辑推荐

《面向机器学习的自然语言标注》内容全面、详略得当,结合实例讲解,使读者更易理解。自然语言理解是人工智能的一个重要分支,主要研究如何利用计算机来理解和生成自然语言。

名人推荐

“语言标注是自然语言处理的一个关键部分,但是现有的计算语言学课程却少有涉及。本书是难得的一本从实践角度讨论自然语言标注,并且以服务于机器学习算法为目的来考察标注规格与设计的专著。它必将成为本科生和研究生计算语言学课程的一个标准。” ——Nancy Ide瓦萨学院计算机科学系教授

作者简介 James Pustejovsky教授是美国布兰代斯(Brandeis University)大学计算机科学系和Volen国家综合系统中心教授。先后在美国麻省理工学院和马萨诸塞大学获得学士学位和博士学位。 Pustejovsky教授主要从事自然语言的理论和计算研究。研究领域包括:计算语言学、词汇语义学、知识表征、话语语义学、时间推理和抽取等。已经出版多部专著。

成为VIP会员查看完整内容
0
26

自然语言处理(NLP)为解决人工智能方面的问题提供了无限的机会,使Amazon Alexa和谷歌翻译等产品成为可能。如果您是NLP和深度学习的新手,那么本实用指南将向您展示如何使用PyTorch(一个基于python的深度学习库)应用这些方法。

作者Delip Rao和Brian McMahon为您提供了关于NLP和深度学习算法的坚实基础,并演示了如何使用PyTorch构建应用程序,其中包含针对您所面临问题的文本的丰富表示。每一章包括几个代码示例和插图。

  • 探索计算图表和监督学习范式
  • 掌握PyTorch优化张量操作库的基础知识
  • 对传统的NLP概念和方法进行概述
  • 学习建立神经网络的基本概念
  • 使用嵌入来表示单词、句子、文档和其他特性
  • 探索序列预测并生成序列对序列模型
  • 学习构建生产NLP系统的设计模式

https://www.oreilly.com/library/view/natural-language-processing/9781491978221/

成为VIP会员查看完整内容
0
69

这本机器学习畅销书基于TensorFlow 2和Scikit-Learn的新版本进行了全面更新,通过具体的示例、非常少的理论和可用于生产环境的Python框架,从零帮助你直观地理解并掌握构建智能系统所需要的概念和工具。

全书分为两部分。第一部分介绍机器学习基础,涵盖以下主题:什么是机器学习,它试图解决什么问题,以及系统的主要类别和基本概念;第二部分介绍神经网络和深度学习,涵盖以下主题:什么是神经网络以及它们有什么用,使用TensorFlow和Keras构建和训练神经网络的技术,以及如何使用强化学习构建可以通过反复试错,学习好的策略的代理程序。第一部分主要基于Scikit-Learn,而第二部分则使用TensorFlow和Keras。

奥雷利安·杰龙(Aurélien Géron)是机器学习方面的顾问。他曾就职于Google,在2013年到2016年领导过YouTube视频分类团队。他是Wifirst公司的创始人并于2002年至2012年担任该公司的首席技术官。2001年,他创办Ployconseil公司并任首席技术官。

成为VIP会员查看完整内容
1
85

管理统计和数据科学的原理包括:数据可视化;描述性措施;概率;概率分布;数学期望;置信区间;和假设检验。方差分析;简单线性回归;多元线性回归也包括在内。另外,本书还提供了列联表、卡方检验、非参数方法和时间序列方法。

教材:

  • 包括通常在入门统计学课程中涵盖的学术材料,但与数据科学扭曲,较少强调理论
  • 依靠Minitab来展示如何用计算机执行任务
  • 展示并促进来自开放门户的数据的使用
  • 重点是发展对程序如何工作的直觉
  • 让读者了解大数据的潜力和目前使用它的失败之处
成为VIP会员查看完整内容
1
79

简介:

自从2012年以来,最近的技术史上最重大的事件也许就是神经网络爆炸了。标记数据集的增长,计算能力的提高以及算法的创新齐头并进。从那时起,深度神经网络使以前无法实现的任务得以实现,并提高了任务的准确性,使它们超出了学术研究范围,并进入了语音识别,图像标记,生成模型和推荐系统等领域的实际应用。在这种背景下,Google Brain的团队开始开发TensorFlow.js。该项目开始时,许多人认为“ JavaScript深度学习”是一种新颖事物,对于某些用例来说并不能当真。尽管Python已经有了一些完善的,功能强大的深度学习框架,但JavaScript机器学习的前景仍然是零散的和不完整的。在当时可用的少数JavaScript库中,大多数仅支持以其他语言(通常是Python)进行预训练的部署模型。

这本书不仅是作为如何在TensorFlow.js中编写代码的秘诀,而且还是以JavaScript和Web开发人员的母语为基础的机器学习基础入门课程。深度学习领域是一个快速发展的领域。我们相信,无需正式的数学处理就可以对机器学习有深入的了解,而这种了解将使您能够在技术的未来发展中保持最新。有了这本书,您就成为成为成长中的JavaScript机器学习从业人员社区的第一步,他们已经在JavaScript和深度学习之间的交汇处带来了许多有影响力的应用程序。我们衷心希望本书能激发您在这一领域的创造力和独创性。

目录:

内容简介:

本书分为四个部分。第一部分仅由第一章组成,向您介绍了人工智能,机器学习和深度学习的概况,以及在JavaScript中实践深度学习为何有意义。第二部分是对深度学习中最基础和最常遇到的概念的简要介绍。本书的第三部分系统地为希望建立对更前沿技术的理解的用户,提供了深度学习的高级主题,重点是ML系统的特定挑战领域以及与之配合使用的TensorFlow.js工具。

成为VIP会员查看完整内容
0
31
小贴士
相关资讯
下载 | Pytorch最新教程【PDF】
机器学习算法与Python学习
4+阅读 · 2018年11月18日
教程 | PyTorch经验指南:技巧与陷阱
机器之心
8+阅读 · 2018年7月30日
手把手教 | 深度学习库PyTorch(附代码)
数据分析
5+阅读 · 2018年3月20日
荐书丨深度学习入门之PyTorch
程序人生
10+阅读 · 2017年12月1日
相关论文
Benjamin Charlier,Jean Feydy,Joan Alexis Glaunès,François-David Collin,Ghislain Durif
0+阅读 · 4月8日
Mengmi Zhang,Rohil Badkundri,Morgan B. Talbot,Gabriel Kreiman
0+阅读 · 4月6日
Meiqi Zhu,Xiao Wang,Chuan Shi,Houye Ji,Peng Cui
12+阅读 · 1月28日
A Survey on Bayesian Deep Learning
Hao Wang,Dit-Yan Yeung
39+阅读 · 2020年7月2日
Matthias Fey,Jan Eric Lenssen
3+阅读 · 2019年3月7日
Multi-task Deep Reinforcement Learning with PopArt
Matteo Hessel,Hubert Soyer,Lasse Espeholt,Wojciech Czarnecki,Simon Schmitt,Hado van Hasselt
3+阅读 · 2018年9月12日
Antoine J. -P. Tixier
10+阅读 · 2018年8月30日
Jason, Dai,Yiheng Wang,Xin Qiu,Ding Ding,Yao Zhang,Yanzhang Wang,Xianyan Jia, Cherry, Zhang,Yan Wan,Zhichao Li,Jiao Wang,Shengsheng Huang,Zhongyuan Wu,Yang Wang,Yuhao Yang,Bowen She,Dongjie Shi,Qi Lu,Kai Huang,Guoqiong Song
3+阅读 · 2018年4月16日
Quanshi Zhang,Ying Nian Wu,Song-Chun Zhu
14+阅读 · 2018年2月14日
Quanshi Zhang,Song-Chun Zhu
12+阅读 · 2018年2月7日
Top