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

相关内容

机器学习的一个分支,它基于试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的一系列算法。

知识荟萃

精品入门和进阶教程、论文和代码整理等

更多

查看相关VIP内容、论文、资讯等

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
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

学习使用Python分析数据和预测结果的更简单和更有效的方法

Python机器学习教程展示了通过关注两个核心机器学习算法家族来成功分析数据,本书能够提供工作机制的完整描述,以及使用特定的、可破解的代码来说明机制的示例。算法用简单的术语解释,没有复杂的数学,并使用Python应用,指导算法选择,数据准备,并在实践中使用训练过的模型。您将学习一套核心的Python编程技术,各种构建预测模型的方法,以及如何测量每个模型的性能,以确保使用正确的模型。关于线性回归和集成方法的章节深入研究了每种算法,你可以使用书中的示例代码来开发你自己的数据分析解决方案。

机器学习算法是数据分析和可视化的核心。在过去,这些方法需要深厚的数学和统计学背景,通常需要结合专门的R编程语言。这本书演示了机器学习可以如何实现使用更广泛的使用和可访问的Python编程语言。

使用线性和集成算法族预测结果

建立可以解决一系列简单和复杂问题的预测模型

使用Python应用核心机器学习算法

直接使用示例代码构建自定义解决方案

机器学习不需要复杂和高度专业化。Python使用了更简单、有效和经过良好测试的方法,使这项技术更容易为更广泛的受众所接受。Python中的机器学习将向您展示如何做到这一点,而不需要广泛的数学或统计背景。

成为VIP会员查看完整内容
0
55

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

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
229

主题: Deep Learning with Python

摘要: 《 Python深度学习》第二版全面介绍了使用Python和强大的Keras库进行的深度学习领域。 由Keras的创建者Google AI研究人员FrançoisChollet撰写,此修订版已更新了新章节,新工具和最新研究中的尖端技术。 读者将通过实际示例和直观的说明来加深理解,这些示例使深度学习的复杂性易于理解。

成为VIP会员查看完整内容
0
48
小贴士
相关资讯
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
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
深度学习(deep learning)发展史
机器学习算法与Python学习
6+阅读 · 2018年3月19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
A Survey on Bayesian Deep Learning
Hao Wang,Dit-Yan Yeung
39+阅读 · 2020年7月2日
Interpretable CNNs for Object Classification
Quanshi Zhang,Xin Wang,Ying Nian Wu,Huilin Zhou,Song-Chun Zhu
14+阅读 · 2020年3月12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
Deep Learning
Nicholas G. Polson,Vadim O. Sokolov
3+阅读 · 2018年8月3日
A Multi-Objective Deep Reinforcement Learning Framework
Thanh Thi Nguyen
9+阅读 · 2018年6月27日
Seyed Sajad Mousavi,Michael Schukat,Enda Howley
12+阅读 · 2018年6月23日
Vinicius Zambaldi,David Raposo,Adam Santoro,Victor Bapst,Yujia Li,Igor Babuschkin,Karl Tuyls,David Reichert,Timothy Lillicrap,Edward Lockhart,Murray Shanahan,Victoria Langston,Razvan Pascanu,Matthew Botvinick,Oriol Vinyals,Peter Battaglia
4+阅读 · 2018年6月5日
Reshma U,Barathi Ganesh H B,Mandar Kale,Prachi Mankame,Gouri Kulkarni
3+阅读 · 2018年4月10日
Quanshi Zhang,Song-Chun Zhu
12+阅读 · 2018年2月7日
Lei Zhang,Shuai Wang,Bing Liu
23+阅读 · 2018年1月24日
Top